#可视化
深度学习实战:TensorFlow 2与Keras入门指南
attention-viz
此项目通过可视化技术帮助研究人员理解Transformer模型在语言和视觉任务中的自注意力机制，展示查询与关键向量的关系和整体模式。AttentionViz提供了交互式工具，支持多输入序列分析，提升了模型理解，并在多个应用场景中展现其实用性。
ecco
Ecco是一个Python库，通过交互式可视化工具解释基于Transformer的自然语言处理模型。它专注于探索预训练模型，功能包括特征归因、神经元激活捕获及可视化、Token处理过程等。支持GPT2、BERT、RoBERTA等多种模型，帮助理解Transformer模型的内部机制和决策过程。
scattertext
Scattertext是一款用于在语料库中发现区分术语并在交互式HTML散点图中显示的工具。它通过选择性标记术语，避免标签或点的重叠。本文介绍了如何使用Scattertext可视化2012年美国政治大会中使用的术语。该工具提供多种定制选项和高级用法，如术语评分、散布度可视化、颜色渐变等，适用于文本分析和分类解释，并且在Chrome和Safari浏览器中效果最佳。
transformers-interpret
Transformers-interpret是一款为Transformer模型设计的解释工具，只需简单代码即可实现。支持文本和计算机视觉模型，并可在笔记本中展示或保存为PNG和HTML文件。通过导入预训练模型和tokenizer，用户能快速获得预测分类解释，并提供可视化功能。此项目基于Captum库构建，支持多标签分类等功能，帮助开发者深入理解模型决策。
onnx-modifier
基于Netron和Flask的工具，提供完全可视化的ONNX模型编辑界面，通过Python ONNX API自动处理编辑信息。支持删除和添加节点、重命名节点和模型输入输出、编辑节点属性和模型初始值等多种操作，有效提升工作效率。该工具可通过命令行、可执行文件或Docker容器启动，适用于各种开发环境。
bbox-visualizer
bbox-visualizer是一款简便实用的软件包，帮助用户在无需复杂计算的情况下绘制物体的边界框及添加标签。该工具支持多种标签方式，包括顶部标签、内部标签、旗帜样标签以及不透明覆盖标签。用户可以通过Python轻松安装和使用。该软件还支持绘制多个边界框及添加多个标签，非常适合计算机视觉相关任务。遵循MIT开源许可证，用户可自由使用与二次开发。
domain-message-flow-modelling
探索如何设计松耦合系统的消息流动，通过两种基本格式的域消息流图展示不同场景下的命令、事件和查询的交互。图形化展示有助于理解有界上下文之间的消息传递及其重要数据，从而优化系统架构。查看详细指南并下载资源，了解如何使用Domain Message Flow Modelling提升开发效率。
deptrac
Deptrac是一个用于PHP的静态代码分析工具，帮助项目进行沟通、可视化和执行架构决策。通过自定义类的架构层和相应规则，Deptrac确保模块和扩展的独立性，从而提高代码复用率。该工具可以集成到CI管道中，确保合并请求符合架构规则，并支持使用Graphviz或Mermaidjs格式化输出，直观展示架构层、规则和违规情况。Deptrac安装简便，支持PHP 8.1及以上版本。
pytorch-grad-cam
pytorch-grad-cam是一个先进的AI解释性工具包，适用于PyTorch平台，提供了多种像素归因方法，支持常见的CNN和视觉变换器模型。这个包不仅可以用于生产中对模型预测的诊断，也适用于模型开发阶段。通过包括平滑方法和高性能的批处理支持，pytorch-grad-cam能够在多种场景下提供详尽可靠的视觉解释，助力研究人员和开发者深入理解模型决策过程。