深度学习模型的训练就像是「黑箱操作」，知道输入是什么、输出是什么，但中间过程就像个黑匣子，这使得研究人员可能花费大量时间找出模型运行不正常的原因。假如有一款可视化的工具，能够帮助研究人员更好地理解模型行为，这应该是件非常棒的事。
近日，Google 研究人员发布了一款语言可解释性工具 (Language Interpretability Tool, LIT)，这是一个开源平台，用于可视化和理解自然语言处理模型。
论文地址：https://arxiv.org/pdf/2008.05122.pdf
项目地址：https://github.com/PAIR-code/lit
LIT 重点关注模型行为的核心问题，包括：为什么模型做出这样的预测？什么时候性能不佳？在输入变化可控的情况下会发生什么？LIT 将局部解释、聚合分析和反事实生成集成到一个流线型的、基于浏览器的界面中，以实现快速探索和错误分析。
该研究支持多种自然语言处理任务，包括探索情感分析的反事实、度量共指系统中的性别偏见，以及探索文本生成中的局部行为。
此外 LIT 还支持多种模型，包括分类、seq2seq 和结构化预测模型。并且它具备高度可扩展性，可通过声明式、框架无关的 API 进行扩展。
相关 demo，参见视频：
00:00/00:00倍速
可以针对新颖的工作流程进行重新配置，并且这些组件是独立的，可移植的，且易于实现。
用户界面
LIT 位于一个单页 web 应用中，由多个工具栏和包含多个独立模块的主体部分组成。如果模块适用于当前模型和数据集，它们将自动显示。例如，显示分类结果的模块仅在模型返回 MulticlassPreds 时显示。
LIT 用户界面
LIT 的布局设计图。
功能
LIT 通过基于浏览器的用户界面（UI）支持各种调试工作流。功能包括：
局部解释：通过模型预测的显著图、注意力和丰富可视化图来执行。
聚合分析：包括自定义度量指标、切片和装箱（slicing and binning），以及嵌入空间的可视化。
反事实生成：通过手动编辑或生成插件进行反事实推理，动态地创建和评估新示例。
并排模式：比较两个或多个模型，或基于一对示例的一个模型。
高度可扩展性：可扩展到新的模型类型，包括分类、回归、span 标注，seq2seq 和语言建模。
框架无关：与 TensorFlow、PyTorch 等兼容。
下面我们来看 LIT 的几个主要模块：
探索数据集：用户可以使用不同的标准跨模块（如数据表和嵌入模块）交互式地探索数据集，从而旋转、缩放和平移 PCA 或 UMAP 投影，以探索集群和全局结构。
比较模型：通过在全局设置控件中加载多个模型，LIT 可以对它们进行比较。然后复制显示每个模型信息的子模块，以便于在两个模型之间进行比较。其他模块（如嵌入模块和度量模块）同时得到更新，以显示所有模型的最新信息。
比较数据点：切换到选择工具栏中的「Compare datapoints」按钮，使 LIT 进入数据点比较模式。在这种模式下，主数据点选择作为参考数据点，并且在后续设置中都会以其为参考点进行比较。参考数据点在数据表中以蓝色边框突出显示。
其他模块的具体细节，参见：https://github.com/PAIR-code/lit/blob/main/docs/user_guide.md
看了上面的介绍，你是不是迫不及待地想要上手试试这个炫酷的可视化工具？下面我们来看它的安装过程和示例。
安装教程
下载软件包并进行 Python 环境配置，代码如下：
安装并配置好环境，就可以体验工具包中自带的示例。
示例
1. 情绪分类示例
代码如下：
情绪分类示例是基于斯坦福情感树库微调 BERT-tiny 模型，在 GPU 上不到 5 分钟即可完成。训练完成后，它将在开发集上启动 LIT 服务器。
2. 语言建模类示例
要想探索预训练模型（BERT 或 GPT-2）的预测结果，运行以下代码：
更多的示例请参考目录：../lit_nlp/examples。
此外，该项目还提供了添加自己模型和数据的方法。通过创建定制的 demo.py 启动器，用户可以轻松地用自己的模型运行 LIT，类似于上述示例目录../lit_nlp/examples。
完整的添加过程，参见：https://github.com/PAIR-code/lit/blob/main/docs/python_api.md#adding-models-and-data。
