
- Visites mensuelles
- 7 789
- 2026-09
- Croissance mensuelle +7,5 %
Captum - Interprétez des modèles PyTorch en vision, texte et autres modalités
Captum est une bibliothèque open source destinée à l’interprétation de modèles PyTorch. Elle fournit des algorithmes qui attribuent les sorties du modèle aux entrées, notamment pour la vision et le texte. Les développeurs peuvent l’installer avec conda ou pip, appliquer des méthodes comme Integrated Gradients et étendre la bibliothèque pour implémenter et évaluer des algorithmes d’interprétabilité.
- Développement LLM
- Évaluation de LLM
- interprétabilité des modèles PyTorch
- attribution des réseaux neuronaux
- Integrated Gradients

Fonctionnalités
Attribution des entrées du modèle
Relie la sortie d’un modèle à ses entrées et renvoie des valeurs d’attribution. Il faut fournir un modèle PyTorch et des tenseurs d’entrée ; selon la méthode, des tenseurs de référence et une cible peuvent aussi être nécessaires. Une méthode comme Integrated Gradients peut être sélectionnée.
Interprétabilité multimodale
Applique des méthodes d’interprétabilité à des modèles pour les modalités prises en charge, notamment la vision et le texte. Captum est conçu pour les modèles PyTorch pris en charge et s’utilise avec des modifications minimales du réseau neuronal d’origine.
Bibliothèque d’algorithmes extensible
Permet d’implémenter et de comparer de nouveaux algorithmes d’interprétabilité dans une bibliothèque générique open source. Les chercheurs et développeurs peuvent étendre Captum au-delà des algorithmes déjà inclus.
Prise en charge des modèles PyTorch
Permet d’appliquer des méthodes d’interprétabilité à la plupart des types de modèles PyTorch. Il faut préparer le réseau neuronal et choisir une méthode ; le modèle d’origine ne nécessite que des modifications minimales.
Tarifs
Captum est une bibliothèque open source et les pages officielles fournies n’indiquent ni offres payantes ni conditions de facturation. Aucun prix, quota ou avantage par offre n’est publié à comparer.
Cas d’utilisation
Attribuer une prédiction aux entrées du modèle
Lorsqu’on examine la sortie d’un modèle PyTorch, on peut calculer quelles valeurs d’entrée contribuent au résultat choisi. Préparez le modèle et les tenseurs d’entrée, indiquez éventuellement une référence et une cible, puis appliquez une méthode comme Integrated Gradients pour obtenir des valeurs d’attribution.
Implémenter et comparer un algorithme d’interprétabilité
Si une méthode existante ne couvre pas une expérience d’interprétabilité, la bibliothèque générique peut être étendue avec un nouvel algorithme. Captum est open source et permet d’implémenter et de comparer des algorithmes pour les modèles PyTorch.
Public cible
Développeurs travaillant avec des réseaux neuronaux PyTorch
Chercheurs qui implémentent ou évaluent des algorithmes d’interprétabilité
Questions fréquentes
Quel framework d’apprentissage automatique Captum prend-il en charge ?
Captum prend en charge les modèles PyTorch. La page d’accueil indique qu’il fonctionne avec la plupart des types de modèles PyTorch et nécessite peu de modifications du réseau neuronal d’origine.
Quelles modalités de modèles Captum peut-il interpréter ?
Captum prend en charge l’interprétabilité pour la vision, le texte et d’autres modalités. Les pages fournies ne dressent pas la liste complète des modalités prises en charge.
Comment installer Captum ?
Captum s’installe avec conda ou pip. La page d’accueil recommande conda et fournit les commandes conda install captum -c pytorch et pip install captum.
Puis-je ajouter des algorithmes d’interprétabilité à Captum ?
Oui. Captum est présenté comme une bibliothèque générique, extensible et open source pour la recherche en interprétabilité ; les utilisateurs peuvent implémenter et comparer de nouveaux algorithmes.
Commentaires