[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-tensorflow--tcav":3,"tool-tensorflow--tcav":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",151918,2,"2026-04-12T11:33:05",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":72,"owner_avatar_url":73,"owner_bio":74,"owner_company":75,"owner_location":75,"owner_email":76,"owner_twitter":75,"owner_website":77,"owner_url":78,"languages":79,"stars":92,"forks":93,"last_commit_at":94,"license":95,"difficulty_score":32,"env_os":74,"env_gpu":96,"env_ram":97,"env_deps":98,"category_tags":107,"github_topics":108,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":111,"updated_at":112,"faqs":113,"releases":144},6882,"tensorflow\u002Ftcav","tcav","Code for the TCAV ML interpretability project","TCAV（概念激活向量测试）是一款专注于机器学习可解释性的开源工具，旨在帮助人们理解神经网络模型在做出预测时究竟依据了哪些信号。与传统方法仅展示像素等底层特征的重要性不同，TCAV 创新性地引入了“高层概念”（如颜色、性别、纹理等），量化这些人类易于理解的概念对特定预测类别的影响程度。\n\n这一方法有效解决了深度学习模型“黑盒”难题，特别是当面对大量数值特征时，人类难以直观把握模型逻辑的痛点。TCAV 无需修改或重新训练原有模型即可直接使用，它不仅能针对单张图像进行分析，更能提供适用于整个类别的全局性解释。例如，即使训练数据中未包含种族或性别标签，TCAV 也能评估这些因素在分类决策中的潜在影响。\n\nTCAV 非常适合 AI 研究人员、开发者以及需要向非技术利益相关者解释模型行为的数据科学家使用。由于其解释方式贴合人类的思维与沟通习惯，即便是不具备深厚机器学习背景的产品经理或设计师，也能轻松理解分析结果。通过从少量示例中学习概念，TCAV 让复杂的模型决策过程变得透明且可信，是连接算法逻辑与人类认知的有力桥梁。","# Interpretability Beyond Feature Attribution: Quantitative Testing with Concept Activation Vectors (TCAV) \n\nBeen Kim, Martin Wattenberg, Justin Gilmer, Carrie Cai, James Wexler, Fernanda\nViegas, Rory Sayres\n\nICML Paper: https:\u002F\u002Farxiv.org\u002Fabs\u002F1711.11279\n\n## What is TCAV?\n\nTesting with Concept Activation Vectors (TCAV) is a new interpretability method\nto understand what signals your neural networks models uses for prediction.\n\n### What's special about TCAV compared to other methods?\n\nTypical interpretability methods show importance weights in each input feature\n(e.g, pixel). TCAV instead shows importance of high level concepts (e.g., color,\ngender, race) for a prediction class - this is how humans communicate!\n\nTypical interpretability methods require you to have one particular image that\nyou are interested in understanding. TCAV gives an explanation that is generally\ntrue for a class of interest, beyond one image (global explanation).\n\nFor example, for a given class, we can show how much race or gender was\nimportant for classifications in InceptionV3. Even though neither race nor\ngender labels were part of the training input!\n\n### Cool, where do these concepts come from?\n\nTCAV learns concepts from examples. For instance, TCAV needs a couple of\nexamples of female, and something not female to learn a \"gender\" concept. We\nhave tested a variety of concepts: color, gender, race, textures and many\nothers.\n\n### Why use high level concepts instead of input features?\n\nHumans think and communicate using concepts, and not using numbers (e.g.,\nweights to each feature). When there are lots of numbers to combine and reason\nabout (many features), it becomes harder and harder for humans to make sense of\nthe information they are accounting for. TCAV instead delivers explanations in\nthe way humans communicate to each other.\n\n### The consumer of the explanation may not know machine learning too well. Can they understand the explanation?\n\nYes. TCAV is designed to make sense to everyone - as long as they can understand\nthe high level concept!\n\n### Sounds good. Do I need to change my network to use TCAV?\nNo. You don't need to change or retrain your network to use TCAV.\n\n## Installation\n\nTensorflow must be installed to use TCAV. But it isn't included in the TCAV pip\npackage install_requires as a user may wish to use it with either the tensorflow\nor tensorflow-gpu package. So please pip install tensorflow or tensorflow-gpu as\nwell as the tcav package.\n\n> pip install tcav\n\n### Requirements\n\nSee requirements.txt for a list of python dependencies used in testing TCAV.\nThese will all be installed during pip installation of tcav with the exception\nof tensorflow, as mentioned above.\n\n## How to use TCAV\n\nSee Run TCAV.ipynb for step by step guide, after pip installing the tcav\npackage.\n\n```python\nmytcav = tcav.TCAV(sess,\n                   target,\n                   concepts,\n                   bottlenecks,\n                   act_gen,\n                   alphas,\n                   cav_dir=cav_dir,\n                   num_random_exp=2)\n\nresults = mytcav.run()\n```\n\n## TCAV for discrete models\n\nWe provide a simple example of how to run TCAV on models trained on discrete,\nnon-image data. Please see\n\n```\ncd tcav\u002Ftcav_examples\u002Fdiscrete\u002F\n```\n\nYou can also find a Jupyter notebook for a model trained on KDD99 in here:\n\n```\ntcav\u002Ftcav_examples\u002Fdiscrete\u002Fkdd99_discrete_example.ipynb.\n```\n\n## Requirements\n\n-   tensorflow\n-   numpy\n-   Pillow\n-   matplotlib\n-   scikit-learn\n-   scipy\n\n## How to run unit tests\n\n`python -m tcav.cav_test`\n\n`python -m tcav.model_test`\n\n`python -m tcav.tcav_test`\n\n`python -m tcav.utils_test`\n\n## How to create a new version of the pip package\n\n1.  Ensure the version in setup.py has been updated to a new version.\n2.  Run `python setup.py bdist_wheel --python-tag py3` and `python setup.py\n    bdist_wheel --python-tag py2`.\n3.  Run `twine upload dist\u002F*` to upload the py2 and py3 pip packages to PyPi.\n    \n","# 特征归因之外的可解释性：基于概念激活向量的定量测试（TCAV）\n\n金斌、马丁·瓦滕贝格、贾斯汀·吉尔默、凯莉·蔡、詹姆斯·韦克斯勒、费尔南达·维埃加斯、罗里·塞尔斯\n\nICML 论文：https:\u002F\u002Farxiv.org\u002Fabs\u002F1711.11279\n\n## 什么是 TCAV？\n\n基于概念激活向量的测试（TCAV）是一种新的可解释性方法，用于理解您的神经网络模型在进行预测时所依赖的信号。\n\n### 与其他方法相比，TCAV 有何特别之处？\n\n典型的可解释性方法会展示每个输入特征（例如像素）的重要性权重。而 TCAV 则展示了高层次概念（例如颜色、性别、种族）对于某一预测类别的相对重要性——这正是人类交流的方式！\n\n通常的可解释性方法要求您针对某一张特定图像来展开分析。相比之下，TCAV 提供的是针对某一类别的一般性解释，而非局限于单个样本（即全局解释）。\n\n例如，对于某个特定类别，我们可以量化 InceptionV3 模型中“种族”或“性别”因素对该类别分类的重要性。值得注意的是，这些概念标签并未出现在训练数据中！\n\n### 很酷！那么这些概念是从哪里来的呢？\n\nTCAV 是通过示例来学习概念的。比如，TCAV 需要几组女性样本以及一些非女性样本，才能学习出“性别”这一概念。我们已经测试过多种概念，包括颜色、性别、种族、纹理等。\n\n### 为什么使用高层次概念而不是原始输入特征呢？\n\n人类在思考和交流时，习惯于使用概念而非数字（如各特征的权重）。当需要综合和推理大量数值信息（即众多特征）时，人类往往难以理解这些复杂的数据。而 TCAV 则以人类自然交流的方式提供解释。\n\n### 如果解释的受众对机器学习并不熟悉，他们能否理解这些解释呢？\n\n当然可以。只要受众能够理解这些高层次概念，TCAV 的解释就对他们来说是清晰易懂的。\n\n### 听起来不错。我是否需要修改自己的模型才能使用 TCAV 呢？\n\n不需要。您无需更改或重新训练现有模型即可使用 TCAV。\n\n## 安装\n\n要使用 TCAV，必须先安装 TensorFlow。不过，由于用户可能希望将其与 TensorFlow 或 TensorFlow-GPU 一起使用，因此 TCAV 的 pip 包并未将 TensorFlow 列为依赖项。请同时安装 TensorFlow 或 TensorFlow-GPU 以及 TCAV 包。\n\n> pip install tcav\n\n### 环境要求\n\n请参阅 requirements.txt 文件，其中列出了测试 TCAV 时所需的 Python 依赖包。除上述提到的 TensorFlow 外，其余依赖项将在安装 TCAV 包时一并自动安装。\n\n## 如何使用 TCAV\n\n在成功安装 TCAV 包后，请参考 Run TCAV.ipynb 文件中的分步指南。\n\n```python\nmytcav = tcav.TCAV(sess,\n                   target,\n                   concepts,\n                   bottlenecks,\n                   act_gen,\n                   alphas,\n                   cav_dir=cav_dir,\n                   num_random_exp=2)\n\nresults = mytcav.run()\n```\n\n## TCAV 在离散数据模型上的应用\n\n我们提供了一个简单的示例，说明如何在基于离散非图像数据训练的模型上运行 TCAV。请进入以下目录：\n\n```\ncd tcav\u002Ftcav_examples\u002Fdiscrete\u002F\n```\n\n您还可以在此处找到一个针对 KDD99 数据集训练的模型的 Jupyter 笔记本：\n\n```\ntcav\u002Ftcav_examples\u002Fdiscrete\u002Fkdd99_discrete_example.ipynb。\n```\n\n## 必需软件\n\n-   tensorflow\n-   numpy\n-   Pillow\n-   matplotlib\n-   scikit-learn\n-   scipy\n\n## 如何运行单元测试\n\n`python -m tcav.cav_test`\n\n`python -m tcav.model_test`\n\n`python -m tcav.tcav_test`\n\n`python -m tcav.utils_test`\n\n## 如何发布新版本的 pip 包\n\n1. 确保 setup.py 中的版本号已更新至新版本。\n2. 运行 `python setup.py bdist_wheel --python-tag py3` 和 `python setup.py bdist_wheel --python-tag py2`。\n3. 使用 `twine upload dist\u002F*` 将 py2 和 py3 版本的 pip 包上传至 PyPI。","# TCAV 快速上手指南\n\nTCAV (Testing with Concept Activation Vectors) 是一种模型可解释性工具，用于量化高层概念（如颜色、性别、纹理等）对神经网络预测结果的影响。与传统的特征归因方法不同，TCAV 提供全局性的解释，且无需修改或重新训练原有模型。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Linux, macOS 或 Windows\n*   **Python 版本**：支持 Python 2.7 及 Python 3.x\n*   **核心依赖**：\n    *   `tensorflow` 或 `tensorflow-gpu` (**注意**：TCAV 包不会自动安装 TensorFlow，需手动预先安装)\n    *   `numpy`\n    *   `Pillow`\n    *   `matplotlib`\n    *   `scikit-learn`\n    *   `scipy`\n\n> **国内加速建议**：推荐使用清华或阿里镜像源安装依赖，以提升下载速度。\n> 例如：`pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple \u003Cpackage_name>`\n\n## 安装步骤\n\n1.  **安装 TensorFlow**\n    根据您的硬件环境选择安装 CPU 或 GPU 版本：\n    ```bash\n    pip install tensorflow\n    # 或者使用 GPU 版本\n    # pip install tensorflow-gpu\n    ```\n\n2.  **安装 TCAV**\n    安装主程序包及其其余依赖项：\n    ```bash\n    pip install tcav\n    ```\n    *(国内用户可使用：`pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple tcav`)*\n\n## 基本使用\n\n安装完成后，您可以参考项目提供的 `Run TCAV.ipynb` 笔记本进行详细操作。以下是最基础的 Python 代码示例，展示如何初始化并运行 TCAV 分析：\n\n```python\nimport tcav\n\n# 初始化 TCAV 对象\n# 参数说明：\n# sess: TensorFlow 会话\n# target: 目标分类类别\n# concepts: 需要测试的概念列表\n# bottlenecks: 瓶颈层名称列表\n# act_gen: 激活生成器\n# alphas: 超参数列表\n# cav_dir: CAV 文件存储目录\n# num_random_exp: 随机实验次数\nmytcav = tcav.TCAV(sess,\n                   target,\n                   concepts,\n                   bottlenecks,\n                   act_gen,\n                   alphas,\n                   cav_dir=cav_dir,\n                   num_random_exp=2)\n\n# 执行分析并获取结果\nresults = mytcav.run()\n```\n\n对于离散数据（非图像数据）的模型，可参考 `tcav\u002Ftcav_examples\u002Fdiscrete\u002F` 目录下的示例，其中包含了基于 KDD99 数据集的 Jupyter Notebook 演示。","某医疗 AI 团队正在开发一套皮肤癌筛查系统，需要向医生解释模型为何将某些病灶判定为恶性。\n\n### 没有 tcav 时\n- 医生无法理解热力图中杂乱的高亮像素点，难以将其转化为“颜色深浅”或“边缘不规则”等医学概念。\n- 解释仅针对单张图像有效，无法回答“模型是否普遍依赖‘蓝色色调’来判断恶性”这类全局性问题。\n- 团队难以发现模型可能错误地学习了拍摄背景中的“手术手套”等非病理特征作为判断依据。\n- 沟通成本极高，数据科学家需用复杂的权重数值向非技术背景的医生强行解释模型逻辑。\n\n### 使用 tcav 后\n- 医生能直接看到“色素不均匀”和“边界模糊”等高阶概念对预测结果的具体贡献度，语言体系完全对齐。\n- tcav 提供了针对整个“恶性”类别的全局解释，证实了模型确实在整体上关注了关键的病理纹理而非偶然噪声。\n- 团队通过量化测试发现“手术手套”概念的激活值异常，迅速定位并清洗了训练数据中的偏差来源。\n- 生成的报告直观易懂，医生无需具备机器学习知识即可信任并采纳模型的辅助诊断建议。\n\ntcav 将黑盒模型的数学权重翻译成了人类可理解的高阶概念，让 AI 决策过程真正变得透明且可信。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftensorflow_tcav_93745f97.png","tensorflow","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Ftensorflow_07ed5093.png","",null,"github-admin@tensorflow.org","http:\u002F\u002Fwww.tensorflow.org","https:\u002F\u002Fgithub.com\u002Ftensorflow",[80,84,88],{"name":81,"color":82,"percentage":83},"Jupyter Notebook","#DA5B0B",83,{"name":85,"color":86,"percentage":87},"Python","#3572A5",16.6,{"name":89,"color":90,"percentage":91},"Shell","#89e051",0.4,653,148,"2026-03-06T08:26:26","Apache-2.0","未说明（支持通过安装 tensorflow-gpu 使用 GPU，但无具体型号或显存要求）","未说明",{"notes":99,"python":100,"dependencies":101},"必须单独安装 tensorflow 或 tensorflow-gpu，因为它们未包含在 tcav 包的自动依赖中。该工具无需修改或重新训练原有神经网络即可使用。提供针对离散非图像数据模型的示例。","2.x 或 3.x (根据构建命令推断支持 Python 2 和 3)",[72,102,103,104,105,106],"numpy","Pillow","matplotlib","scikit-learn","scipy",[14],[109,110,64],"interpretability","machine-learning","2026-03-27T02:49:30.150509","2026-04-12T21:58:30.102282",[114,119,124,129,134,139],{"id":115,"question_zh":116,"answer_zh":117,"source_url":118},31015,"TCAV 是否适用于表格稀疏输入数据？是否需要嵌入层？","只要输入\u002F输出对包含可以学习概念激活向量（CAV）的嵌入层，TCAV 就可以工作。TCAV 自带统计测试功能，可以帮助您判断模型是否成功捕捉到了概念（例如体裁）。如果通过了统计测试（输出会打印 p 值），则意味着模型*可能*学到了您想要的概念；如果没有通过，则很可能网络并不关心该概念。","https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftcav\u002Fissues\u002F35",{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},31016,"在医疗应用（如糖尿病视网膜病变）中，如何选择随机图像和概念图像？需要中心裁剪吗？","关键因素在于类别数据集与概念数据集之间的重叠程度。如果概念图像与类别图像完全相同（例如都用斑马图代表“条纹”概念并测试斑马类别），TCAV 将失效。如果没有独立的概念数据集（如 Broden），通常需要从原始图像中进行中心裁剪来提取概念部分，以避免重叠。但在某些医疗场景中，如果概念（如年龄）在类别标签（如癌症）中分布均匀且重叠不多，不进行裁剪也是可以接受的，特别是当缺乏像素级标签时。","https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftcav\u002Fissues\u002F115",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},31017,"运行代码时遇到 'No module named tcav_results' 错误或 requirements.txt 安装失败怎么办？","这是一个已知问题，维护者已经提交了 Pull Request (#68) 修复了 requirements.txt 中的符号错误（将 '=' 改为 '=='）并清理了代码以解决模块缺失问题。请拉取包含该修复的最新代码或使用已合并该 PR 的版本即可解决。","https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftcav\u002Fissues\u002F60",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},31018,"应该使用哪个 InceptionV3 实现来复现结果？为什么会出现 'softmax:0 not found' 错误？","建议使用 TensorFlow Models 仓库中的预训练 Inception 模型：https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fmodels\u002Ftree\u002Fmaster\u002Fresearch\u002Fslim。Keras 自带的 InceptionV3 或其他实现可能因为层名称不匹配（如找不到 'softmax:0' 或 'softmax\u002Flogits:0'）而导致报错。如果使用该推荐模型仍报错，可能需要检查模型包装器（wrapper）是否正确适配了该模型的图结构。","https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftcav\u002Fissues\u002F27",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},31019,"假设检验（Hypothesis Testing）的代码在哪里？如何解读 TCAV 分数和 P 值？","假设检验（如 t-test）的功能已包含在代码库的 `print_results` 函数中。原则上，只有那些 TCAV 分数大于 0.5 且通过假设检验（拒绝零假设）的概念，才被认为与类别预测有显著关系。注意：早期的代码可能未包含 Bonferroni 校正，用户可能需要自行计算校正后的 p 值，并通过设置 `min_p_val` 参数来过滤结果。","https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftcav\u002Fissues\u002F20",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},31020,"对于自定义模型（如 Xception），如何确定 TCAV 所需的瓶颈层（bottleneck layers）？","瓶颈层通常包含 'concat' 操作，这类层负责收集底层的所有响应。您可以通过遍历加载的图（graph），检查 `n.node.name` 来寻找这些层。选择策略建议：从最靠近预测层的顶层开始，依次向下进行统计测试（t-test），直到找到第一个通过测试的层作为瓶颈层。相关工具函数可参考 `tcav\u002Futils.py` 第 219 行附近的代码。","https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftcav\u002Fissues\u002F57",[145,150],{"id":146,"version":147,"summary_zh":148,"released_at":149},222924,"0.2","本次发布对 API 进行了重新设计，使用了 ActivationGenerator 类来替代旧的 tcav_helpers 文件。这一改进简化了在各类模型上应用 TCAV 的过程，无论样本类型如何、加载方式有何不同，都能更加便捷地进行操作。","2018-11-21T15:34:40",{"id":151,"version":152,"summary_zh":153,"released_at":154},222925,"0.1","重构前的初始 TCAV 代码","2018-11-14T20:05:11"]