TensorFlow模型修复

TensorFlow模型修复是一个库，为机器学习从业者提供解决方案，以减少或消除由于底层性能偏差而导致用户损害的模型创建和训练。

安装

您可以从pip安装此软件包

$ pip install tensorflow-model-remediation

注意：请确保您正在使用TensorFlow 2.x。

文档

此库包含一系列机器学习修复技术，用于解决模型中潜在偏差。

目前TensorFlow模型修复包含以下技术

• MinDiff技术：通常用于确保模型对所有敏感属性的值都能同样好地预测首选标签。在尝试实现机会均等时非常有帮助。

• 反事实逻辑对技术：通常用于确保模型在“反事实对”之间的预测不发生变化，即特征中引用的敏感属性不同。在尝试实现反事实公平性时非常有帮助。

我们建议您先阅读概述指南，以了解TensorFlow模型修复的概览。接下来，尝试我们的互动指南之一，例如

MinDiff教程笔记本.

反事实教程笔记本.

import tensorflow_model_remediation as tfmr

import tensorflow as tf

# Start by defining a Keras model.

original_model = ...

# Next pick the remediation technique you'd like to use. For example, a
# MinDiff implementation might look like the below:
# Set the MinDiff weight and choose a loss.

min_diff_loss = tfmr.min_diff.losses.MMDLoss()

min_diff_weight = 1.0  # Hyperparamater to be tuned.

# Create a MinDiff model.

min_diff_model = tfmr.min_diff.keras.MinDiffModel(

   original_model, min_diff_loss, min_diff_weight)

# Compile the MinDiff model as you normally would do with the original model.

min_diff_model.compile(...)

# Create a MinDiff Dataset and train the min_diff_model on it.

min_diff_model.fit(min_diff_dataset, ...)

免责声明

如果您想了解更多关于负责任的人工智能实践，包括

公平性，请参阅Google AI的负责任人工智能实践。

tensorflow/model_remediation遵循Apache 2.0许可。请参阅LICENSE文件。