uncertainty-wizard 0.4.0

ICST 2021最佳论文奖 - 测试工具轨道

Uncertainty wizard是TensorFlow.keras之上的插件，允许轻松高效地创建具有不确定性感知的深度神经网络。

• 原始Keras语法：使用您熟悉和喜爱的层和API。
• 从keras转换：将现有keras模型转换为具有不确定性的模型。
• 智能随机性：使用相同的模型进行点预测和基于采样的推理。
• 快速集成：懒惰加载并使用并行处理训练和评估深度集成 - 可选地使用多个GPU。
• 超级简单设置：pip可安装。仅依赖tensorflow。

安装

就像 pip install uncertainty-wizard 一样简单。

要求

uncertainty-wizard 已在python 3.8和最近的tensorflow版本上进行测试。其他版本（python 3.6+ 和 tensorflow 2.3+）也应该大致正常工作，但可能需要一些轻微的调整。

文档

我们的文档部署在 uncertainty-wizard.readthedocs.io。此外，由于不确定性向导对公共方法和类的文档字符串覆盖率达到了100%，您的IDE将能够提供大量文档。

您还可以查看技术工具论文 (预印本)，该论文描述了截至版本 v0.1.0 的不确定性向导功能和API。

示例

一些小型且易于理解的示例，非常适合入门，可以在模型用户指南和量词用户指南中找到。还提供了更大的示例，您可以在colab中立即运行它们。您可以在以下位置找到它们：Jupyter示例。

作者和论文

不确定性向导由Michael Weiss和Paolo Tonella在美国苏黎世联邦理工学院（瑞士卢加诺）开发。如果您将其用于研究，请引用以下论文：

@inproceedings{Weiss2021FailSafe,  
  title={Fail-safe execution of deep learning based systems through uncertainty monitoring},
  author={Weiss, Michael and Tonella, Paolo},
  booktitle={2021 14th IEEE Conference on Software Testing, Verification and Validation (ICST)},
  pages={24--35},
  year={2021},
  organization={IEEE} 
}  

@inproceedings{Weiss2021UncertaintyWizard,  
  title={Uncertainty-wizard: Fast and user-friendly neural network uncertainty quantification},
  author={Weiss, Michael and Tonella, Paolo},
  booktitle={2021 14th IEEE Conference on Software Testing, Verification and Validation (ICST)},
  pages={436--441},
  year={2021},
  organization={IEEE}
}  

第一篇论文 (预印本) 提供了对不确定性向导中实现的方法的实证研究，以及一些对使用不确定性向导的研究者有用的经验教训列表。第二篇论文 (预印本) 是一篇技术工具论文，更详细地讨论了不确定性向导的API和实现。

上述论文中提供了介绍不确定性向导中实现的技术原始工作的引用。

贡献

欢迎提出问题和PR！在投入大量时间进行PR之前，请首先打开一个issue，描述您的贡献。这样，我们可以确保您的贡献与这个仓库很好地融合。我们还标记了一些非常适合入门的贡献issue，作为良好的首次贡献issue。如果您想实现一个现有的issue，别忘了在它上面发表评论，这样每个人都知道您正在处理它。