Awesome GitHub RepositoriesComputed Attribute Derivation

Este proyecto es una biblioteca y framework de IA explicable de visión por computadora para PyTorch, que proporciona un conjunto de herramientas para visualizar y auditar los procesos internos de toma de decisiones de las redes neuronales profundas. Sirve como una herramienta de atribución de red neuronal y utilidad de depuración para identificar qué regiones de la imagen impulsan las predicciones del modelo. La biblioteca se distingue por su soporte para métodos de atribución basados en gradientes y sin gradientes, lo que permite la generación de mapas de calor visuales y mapas de atribución sin requerir modificaciones en el código fuente del modelo original. Se diferencia aún más a través del descubrimiento de conceptos visuales, utilizando factorización de matrices para descomponer activaciones internas en patrones interpretables y mapear incrustaciones latentes a la importancia de los píxeles. El framework cubre una amplia gama de capacidades, incluyendo generación y refinamiento de mapas de calor, transformación espacial para arquitecturas como transformadores de visión y adaptaciones para objetivos de visión multitarea como detección de objetos y segmentación semántica. También incluye una suite de evaluación de fidelidad del modelo que emplea análisis de perturbación, estudios de ablación y mediciones de localización para cuantificar la fidelidad de las explicaciones generadas. El proyecto proporciona mecanismos para el enganche dinámico de activación, adaptación de arquitectura personalizada y configuración de objetivos impulsada por objetivos para conectar herramientas de explicabilidad a varias salidas de modelos.

attrs is a Python library that automatically generates initialization, representation, equality, hashing, and ordering methods from declarative class attribute definitions. At its core, it provides a class decorator metaprogramming framework that intercepts class creation to rewrite the class body, producing dunder methods without manual boilerplate. The library includes a comprehensive attribute validation toolkit with built-in validators for type checks, range constraints, regex matching, length limits, and logical composition of validation rules. The library distinguishes itself through it

Captum is an open-source library for explaining model predictions by attributing them to input features, neurons, and layers using gradient-based and perturbation-based methods. It provides a modular framework for implementing, evaluating, and combining a range of explanation techniques, including gradient-based attribution, perturbation-based analysis, game-theoretic Shapley value approximation, and surrogate model explanations, with support for parallelization and noise stabilization. The library distinguishes itself through its breadth of attribution methods and its support for advanced in

Active Model Serializers es un serializador JSON de Ruby on Rails utilizado para transformar objetos de modelo y asociaciones en respuestas JSON estructuradas para APIs. Funciona como un mapeador de modelo a JSON y formateador de respuestas que desacopla los esquemas de base de datos internos de los contratos de API externos. El proyecto utiliza un patrón de adaptador conectable para organizar los datos serializados de acuerdo con estándares específicos, como la especificación JSON API. Proporciona un mecanismo para mapear atributos internos a claves JSON personalizadas e implementa un ámbito de serialización que permite el filtrado de atributos y asociaciones basado en el contexto de autorización y permisos de usuario. El conjunto de herramientas cubre la transformación de datos mediante el uso de atributos virtuales y la gestión de datos asociados mediante sideloading o incrustación de ID. Incluye capacidades para la inyección de metadatos de respuesta, caché de resultados basado en fragmentos e instrumentación de rendimiento para rastrear métricas de serialización.

Este proyecto es una biblioteca de tablas dinámicas (pivot tables) de JavaScript y un procesador de datos del lado del cliente. Proporciona una interfaz interactiva para transformar conjuntos de datos crudos en tablas resumidas, mapas de calor y gráficos, permitiendo el análisis de datos basado en navegador sin un servidor backend. La biblioteca se distingue por una interfaz de arrastrar y soltar para la exploración dinámica de datos y la capacidad de derivar nuevos atributos mediante la agrupación de fechas o lógica personalizada. Admite una representación de datos flexible convirtiendo los resultados analizados en tablas HTML o representaciones gráficas utilizando bibliotecas de gráficos integradas o de terceros. El sistema cubre una amplia gama de capacidades analíticas, incluyendo la agregación estadística de datos, la importación de datos multiformato desde CSV y JSON, y la exportación de vistas a valores separados por tabulaciones. También incluye gestión de estado para serializar configuraciones de diseño y una capa de localización para el formato regional de idiomas y números.

Factory Boy is a dynamic test fixture framework and data generation tool for Python. It serves as a replacement for static fixtures by providing a system to create complex Python objects and database models through programmable blueprints. The project differentiates itself by offering specialized integration with Object Relational Mappers to manage persistence within database sessions. It enables the creation of complex object hierarchies using sub-factories and recursive composition to resolve dependent related objects. The framework provides capabilities for synthesizing realistic random d