Transformer-Explainability
[CVPR 2021] Offizielle PyTorch-Implementierung für die Transformer-Interpretierbarkeit über die Aufmerksamkeitsvisualisierung hinaus, eine neuartige Methode zur Visualisierung von Klassifikationen durch auf Transformern basierende Netzwerke.
Visualisieren Sie, wie Transformer-Modelle Entscheidungen treffen, indem Sie über die Aufmerksamkeit hinausblicken.
Beanspruchen Sie die Seite: indexiert unabhangig vom Rang, in sechs Sprachen ubersetzt und mit Ihren eigenen Worten erganzt.
Erhalten Sie eine E-Mail-Benachrichtigung beim nächsten Release oder wenn es durchstartet.
Kostenlos · ohne Karte · jederzeit abbestellbar[CVPR 2021] Offizielle PyTorch-Implementierung für die Transformer-Interpretierbarkeit über die Aufmerksamkeitsvisualisierung hinaus, eine neuartige Methode zur Visualisierung von Klassifikationen durch auf Transformern basierende Netzwerke.
Transformer-Explainability hat 2k Sterne auf GitHub. Es wurde 260-mal geforkt. Transformer-Explainability ist hauptsächlich in Jupyter Notebook geschrieben. Es wird seit 2020 aktiv entwickelt. Transformer-Explainability ist unter der MIT-Lizenz verfügbar. Die Hauptthemen sind: attention-matrix, attention-visualization, bert, bert-model.
Was ist Transformer-Explainability?
[CVPR 2021] Offizielle PyTorch-Implementierung für die Transformer-Interpretierbarkeit über die Aufmerksamkeitsvisualisierung hinaus, eine neuartige Methode zur Visualisierung von Klassifikationen durch auf Transformern basierende Netzwerke.
Ist Transformer-Explainability Open Source?
Transformer-Explainability ist ein Open-Source-Projekt. Es wird unter der MIT-Lizenz veröffentlicht.
Ist Transformer-Explainability kostenlos?
Ja. Transformer-Explainability ist kostenlos und Open Source — Sie können es nutzen, anpassen und selbst hosten.
Unter welcher Lizenz steht Transformer-Explainability?
Transformer-Explainability ist unter der MIT-Lizenz verfügbar.
In welcher Sprache ist Transformer-Explainability geschrieben?
Transformer-Explainability ist hauptsächlich in Jupyter Notebook geschrieben.
Fügen Sie dieses Live-Abzeichen zu Ihrem README hinzu — Ihre GitHub-Sterne und Verzeichnisrang, täglich aktualisiert.
[](https://opensourceai.tech/project/hila-chefer-transformer-explainability.html)
