pyc-team/pytorch_concepts

这是什么？

核心功能

• 01标注张量可按概念名称或概念类型切片取值。
• 02概念层可将嵌入或概念映射到新的概念。
• 03概念损失按二元、类别和连续类型分别选用对应损失函数。
• 04干预上下文管理器可在前向传播中设置指定概念的取值。
• 05提供概率图模型接口，用于定义概念上的条件分布。
• 06通过基于 Hydra 和 WandB 的 Conceptarium 以配置文件运行大规模实验。

适用场景

• 构建中间预测为人类可读概念的图像或表格分类模型。
• 通过干预操作检验覆盖特定概念后模型输出的变化。
• 用配置文件在多个数据集上开展基于概念模型的研究与基准测试。
• 借助概率图模型刻画概念与目标之间的条件依赖关系。

快速上手

1. 1

   从 PyPI 安装带数据依赖的库

   pip install --pre "pytorch-concepts[data]"
2. 2

   或安装不含数据依赖的核心版本

   pip install --pre pytorch-concepts

使用前须知

• !处于 Alpha 阶段：公共 API 可能变化，版本之间可能不稳定。
• !安装需要使用 --pre 参数，表明安装的是预发布版本。

标签

常见问题

pytorch_concepts 是什么？

基于 PyTorch 的库，用于构建基于概念的可解释深度学习模型，支持概念标注张量与干预操作。 PyC（PyTorch Concepts）是一个基于 PyTorch 和 PyTorch Lightning 的 Python 库，用于构建预测结果通过人类可理解的概念来表达的深度学习模型。模型结构围绕概念展开：概念可以被命名、计算、训练，并且在推理时可以检查或修改。

pytorch_concepts 可以免费使用吗？用的什么许可证？

pytorch_concepts 以 Apache-2.0 许可证开源。用于商业产品前，请先确认许可证条款。

pytorch_concepts 还在维护吗？

活跃维护中。pytorch_concepts 最近一次提交是在 2026年11月4日。

pytorch_concepts 适合用来做什么？

构建中间预测为人类可读概念的图像或表格分类模型。 通过干预操作检验覆盖特定概念后模型输出的变化。 用配置文件在多个数据集上开展基于概念模型的研究与基准测试。 借助概率图模型刻画概念与目标之间的条件依赖关系。

pytorch_concepts 怎么安装和运行？

从 PyPI 安装带数据依赖的库: pip install --pre "pytorch-concepts[data]" 或安装不含数据依赖的核心版本: pip install --pre pytorch-concepts

在哪里获取 pytorch_concepts？

源代码和安装说明在 GitHub 上：https://github.com/pyc-team/pytorch_concepts