请写出Delphi XE5接入到GPT-4的代码？

时间: 2023-05-28 15:03:42 浏览: 43
抱歉，我无法为您提供Delphi XE5接入GPT-4的代码，因为GPT-4是一款由OpenAI开发的自然语言处理模型，其API接口也是由OpenAI提供。而Delphi XE5是一款由Embarcadero Technologies开发的IDE，它的主要应用领域是Windows平台的桌面应用程序开发，与自然语言处理相关的功能可能需要使用第三方库或API接口。您需要先了解GPT-4的API接口和相关的开发工具，然后使用Delphi XE5进行开发。
相关问题

Delphi XE5如何才能接入GPT-4？

很抱歉，作为一个语言模型AI，我不能为您提供关于如何将 Delphi XE5 接入 GPT-4 的具体指导。因为 GPT-4 是一个人工智能模型，需要进行大量的训练和优化才能够使用。您可以通过阅读相关文档、学习相关技术知识，或者咨询相关领域的专业人士来实现您的需求。

java可以使用GPT-3吗？

是的，Java可以使用GPT-3。GPT-3是一个通用的自然语言处理模型，它可以通过多种方式使用，包括通过调用API来使用它。因此，只要您有访问GPT-3 API的权限，就可以使用Java代码来调用GPT-3。有关如何在Java中使用GPT-3的更多信息，请参阅GPT-3的文档。

相关推荐

详细介绍一下GPT-2、GPT-3、GPT-Neo、GPT-J、GPT-4

GPT-2、GPT-3、GPT-Neo、GPT-J、GPT-4 都是基于人工智能技术的语言模型，它们的主要功能是生成自然语言文本。其中，GPT-2 是 OpenAI 公司开发的，它具有 1.5 亿个参数，可以生成高质量的自然语言文本。GPT-3 是 GPT-2 的升级版，它具有 1.75 万亿个参数，是目前最大的语言模型之一，可以生成更加自然、流畅的文本。GPT-Neo 是由 EleutherAI 社区开发的，它是一个开源的语言模型，具有 2.7 亿个参数，可以生成高质量的自然语言文本。GPT-J 是由 EleutherAI 社区和 EleutherAI GPT-J Collaboration 开发的，它具有 6 亿个参数，可以生成更加自然、流畅的文本。至于 GPT-4，目前还没有正式发布，不过可以预计它将会是一个更加强大的语言模型，可以生成更加自然、流畅、准确的文本。

gpt-3 和gpt-4的区别

GPT-3 (Generative Pre-trained Transformer 3) 和 GPT-4 (Generative Pre-trained Transformer 4) 是由 CSDN 开发的大型语言模型。 GPT-3 是 GPT 系列的第三代模型，而 GPT-4 则是第四代模型。 两者最大的区别在于，GPT-3 的参数数量要比 GPT-4 大得多，因此 GPT-3 的语言生成能力更强。GPT-3 还具有多种不同的版本，每个版本都针对不同的应用场景进行了优化。 GPT-4 目前尚未发布，因此我无法为您提供更多信息。

GPT-J 和GPT-NeoX有什么区别？

GPT-J和GPT-NeoX均是基于GPT架构的语言模型，但它们具有不同的规模和性能。GPT-J是由EleutherAI团队开发的一个超大规模的语言模型，其中包含了6亿亿个参数，是目前最大的开源GPT模型之一。而GPT-NeoX则是由EleutherAI和Hugging Face合作开发的一个更加高效的语言模型，它采用了分布式训练和轻量级架构等技术，同时也具有很高的精度和效率。总的来说，GPT-J是更大型的模型，而GPT-NeoX则是更高效的模型。

gpt-2写文章的代码

这是一个使用 GPT-2 生成文章的示例代码： python import openai_secret_manager # Let's setup the API key assert "openai" in openai_secret_manager.get_services() secrets = openai_secret_manager.get_secrets("openai") print(secrets) # Let's now import the library import openai openai.api_key = secrets["api_key"] # Let's test out GPT-2 prompt = (f"写一篇关于北京的文章") completions = openai.Completion.create( engine="text-davinci-002", prompt=prompt, max_tokens=1024, n=1, stop=None, temperature=0.7, ) message = completions.choices[0].text print(message.strip()) 这里我们使用了一个称为openai_secret_manager的库来存储API Key, 你也可以直接把key塞进代码里。 这里我们用了GPT-2 中 text-davinci-002 来进行生成, 你也可以换成其它的模型。 这里的 prompt 是需要 GPT-2 生成文章的提示文本，可以根据需要进行修改。 max_tokens 是生成文章的最大长度，n 是生成文章的数量。temperature 参数可以调节生成文本的随机性，值越大，生成的文本越随机。 这样就可以使用 GPT-2 生成文章了。

chat-gpt接入C++代码

要将ChatGPT接入C++代码，你需要使用一个深度学习框架，如PyTorch或TensorFlow，以便能够加载和使用预训练的ChatGPT模型。以下是一些步骤： 1. 首先，你需要安装C++的深度学习库，例如TensorFlow C++或PyTorch C++。 2. 然后，你需要使用Python代码将预训练的ChatGPT模型转换为可在C++中使用的格式。对于PyTorch模型，你可以使用TorchScript将其转换为TorchScript模型。对于TensorFlow模型，你可以使用TensorFlow Serving将其转换为可用于C++的格式。 3. 接下来，在C++代码中加载转换后的模型，并将其用于ChatGPT任务。 以下是一个简单的例子，说明如何在C++中加载和使用ChatGPT模型： #include <iostream> #include <torch/script.h> // assuming you're using PyTorch C++ int main() { // Load the model torch::jit::script::Module module; try { module = torch::jit::load("path/to/chatgpt_model.pt"); } catch (const c10::Error& e) { std::cerr << "Error loading the model\n"; return -1; } // Prepare the input text std::string text = "Hello, how are you?"; torch::Tensor input = torch::tensor({{...}}); // prepare the input tensor // Run the model at::Tensor output = module.forward({input}).toTensor(); // Process the output std::string response = process_output(output); // your function to process the model output // Print the response std::cout << response << "\n"; return 0; } 请注意，这只是一个简单的示例，实际上你需要自己实现一些函数来准备输入文本并处理输出。此外，你需要了解PyTorch或TensorFlow C++的API，以便能够正确地加载和使用模型。

GPT-4会是怎么样的?

GPT-4 是一种大型的自然语言处理模型，由 OpenAI 开发。它具有出色的语言生成能力，能够生成流畅、自然、连贯的文本。GPT-4 还能够进行语义理解和问答，在许多应用中表现出色。不过，GPT-4 的性能取决于所使用的数据集的质量和规模。

GPT模型与GPT-1模型、GPT-2模型、GPT-3模型、GPT-4模型、ChatGPT之间的联系与差别

GPT模型是指OpenAI公司开发的语言模型，包括GPT-1、GPT-2、GPT-3和GPT-4等多个版本。ChatGPT是GPT模型的一种变体，专门用于生成对话。 GPT-1模型是最早的GPT模型，于2018年发布。它使用了基于Transformer的神经网络架构，能够生成连贯的文本，但在一些复杂的任务上表现不佳。 GPT-2模型于2019年发布，是GPT模型的第二个版本。相比于GPT-1，GPT-2在语言生成的质量和流畅度上有了明显的提升。此外，GPT-2还引入了“零样本学习”技术，可以在没有任何人工指导的情况下生成高质量的文本。 GPT-3模型是GPT模型的第三个版本，于2020年发布。GPT-3在语言生成的质量、流畅度和多样性上都有了显著提升。它还引入了“多任务学习”和“零样本学习”技术，可以在不同的任务上表现出色，甚至可以完成一些简单的推理和逻辑运算。 GPT-4模型目前还没有发布，但有报道称它可能会比GPT-3更加强大。 ChatGPT是一种基于GPT模型的变体，专门用于生成对话。它在语言生成的质量和流畅度上都有很好的表现，并且可以与用户进行真实的对话交互。

GPT-4会写SVPWM程序吗

作为一个语言模型，GPT-4可以生成类似于SVPWM程序的代码。但是，它并不会真正理解程序的逻辑和实现，因为它只是根据大量的文本数据进行模拟，并没有实际的“思考”能力。因此，如果需要编写高质量的SVPWM程序，最好还是由具有相关领域的专业人员来完成。

用gpt-4构建的想法

GPT-4是一种基于人工智能的自然语言处理模型，可以生成自然流畅的文本。使用GPT-4构建的想法是为了实现更高级、更复杂的人工智能应用。 首先，GPT-4可以用于开发个性化的虚拟助手。这个虚拟助手可以理解人类的语言，并针对用户的需求提供智能化的回答和建议。通过深度学习和自我学习的能力，它可以逐渐适应用户的喜好和偏好，提供更加个性化的服务。 其次，GPT-4还可以用于自动化写作领域。它可以根据输入的主题或关键词，自动生成文章、新闻稿或其他文本内容。无论是新闻媒体、广告公司还是个人博客，都可以受益于这种自动生成内容的能力。 此外，GPT-4还可以用于智能客服机器人。它可以通过分析用户的问题，并参考大量的知识库和数据库，提供准确和及时的答案。通过与用户的交互和自我学习的过程，它不断提高自己的回答质量和准确性。 最后，使用GPT-4构建智能教育应用也是一种有趣的想法。它可以为学生提供个性化的学习体验，根据每个学生的水平和需求，提供定制化的学习材料和问题解答。这样的应用可以有效地提高学习效果和兴趣，并帮助学生更好地掌握知识。 总结而言，使用GPT-4构建的想法包括个性化虚拟助手、自动化写作、智能客服机器人和智能教育应用。这些想法能够发挥GPT-4处理自然语言的能力，提供更智能化、高效率的解决方案，带来更多的便利和创新。

Chat gpt和Gpt-4怎样获取

Chat GPT是一个用于生成自然语言文本的人工智能模型，可用于多种应用，比如聊天机器人、语音识别、语言翻译等。GPT-4是GPT的下一代版本，尚未正式发布，预计将在未来几年内发布。 要使用Chat GPT，您可以通过以下方式之一进行获取： 1.使用AI平台：许多AI平台（如OpenAI、Google Cloud AI、Microsoft Azure Cognitive Services等）都提供了使用Chat GPT的API服务。您可以注册一个账号，然后使用API密钥来调用Chat GPT服务。 2.使用预训练的模型：您可以在GitHub等网站上找到已经预训练好的Chat GPT模型，并使用它们进行自然语言文本的生成。 要获取GPT-4，您需要等待它的发布。目前还没有关于GPT-4的具体发布日期和详细信息。如果您想获得最新的信息，请关注OpenAI或其他相关机构的官方网站或社交媒体账号。

gpt-4怎么在vs里使用

### 回答1： GPT-4是一个语言生成模型，能够自动生成自然语言文本，它可以在各种不同的工具中使用，包括Visual Studio（VS）。 要在VS中使用GPT-4，你需要先下载并安装相应的软件包或插件。有许多关于GPT-4在VS中使用的教程和指导，你可以在网上找到这些资源，其中一些可能需要一些基础编程知识。 一般来说，你可以在VS中安装适用于GPT-4的语言开发工具包，例如Python开发工具包。安装成功后，在VS中打开一个新的Python工程，在脚本编辑器中编写代码，包括引入GPT-4相关的模块和库，然后运行程序。 在编程过程中，你还需要设置相关的参数和调整各种标志，以保证GPT-4生成的文本具有高质量和可读性。这部分需要一些专业的技能和经验，但是相信在参考完相关的教程和开发指南之后，你应该能够顺利地使用GPT-4在VS中生成自然语言文本。 ### 回答2： GPT-4是一种基于人工智能技术的语言模型，可以帮助用户自动生成语言内容。它在人工智能领域具有非常广泛的应用，如内容生成、自然语言处理等等。如果你想在Visual Studio中使用GPT-4，可以按照以下步骤进行操作。 1.首先，你需要在你的计算机上安装Python，并确保安装了pip和virtualenv。 2.接下来，你需要使用pip来安装OpenAI API的Python库。在命令行中输入以下命令：pip install openai 3.在安装好OpenAI API库之后，你需要获得OpenAI的API密钥，这个密钥可以在OpenAI官网上注册账号后获取。在账号注册好后，你可以进入OpenAI的API页面，复制你的API密钥。 4.你需要在Visual Studio中创建一个新的Python项目，并在项目的根目录下创建一个名为“env”的文件夹。 5.在env文件夹下，我们需要创建Python虚拟环境。在命令行中输入以下命令：virtualenv env 6.在虚拟环境中，我们需要安装OpenAI API密钥和相关的Python库。在命令行中输入以下命令：pip install openai 7.接下来，你需要在你的Python代码中导入OpenAI API的Python库，并将你的API密钥设置为环境变量。在你的Python代码中插入以下代码： import openai_secret_manager assert "openai" in openai_secret_manager.get_services() secrets = openai_secret_manager.get_secret("openai") # Setting the API key from dotenv import load_dotenv load_dotenv() import os os.environ["OPENAI_API_KEY"] = secrets["api_key"] 8.在你的Python代码中，你可以使用OpenAI API中的GPT-4功能来生成你想要的语言内容。例如，你可以使用以下代码来生成一些文本： import openai prompt = "Hello, GPT-4!" model = "text-davinci-002" openai.api_key = os.environ["OPENAI_API_KEY"] response = openai.Completion.create( engine=model, prompt=prompt, max_tokens=100 ) print(response.choices[0].text) 以上就是在Visual Studio中使用GPT-4的一些步骤和代码示例。希望这些信息对你有所帮助！ ### 回答3： GPT-4是一种先进的自然语言处理模型，可以帮助我们进行文本的自动生成和语义理解。如果想要在VS里使用GPT-4，需要进行以下步骤。 第一步，安装相关的开发包和环境。在使用GPT-4之前需要先安装好Python和VS，并且安装相关的Python库，包括Tensorflow和Pytorch等，这些库可以通过pip命令快速安装。 第二步，下载GPT-4模型文件。在使用GPT-4之前需要下载并安装好GPT-4预训练模型的文件，可以在相关网站上进行下载。 第三步，创建Python脚本，并导入GPT-4模型文件。在VS中创建一个Python脚本，导入所需的Python库，然后在脚本中导入GPT-4模型文件，并进行相应的设置。 第四步，输入需要进行处理的文本，并进行预测。在VS中输入需要进行处理的文本内容，然后使用GPT-4模型对文本进行预测和处理，得到相应的输出结果。 通过以上步骤，即可在VS中轻松使用GPT-4进行文本处理。需要注意的是，使用GPT-4需要具备一定的Python编程经验和相关的技术知识，同时需要安装好相关的开发包和环境，才能更好地使用GPT-4进行文本处理。

gpt-4外逃计划曝光

作为AI语言模型领域的巨头，OpenAI一直以来都备受关注。最近，有消息称OpenAI内部的员工正在计划一项名为“gpt-4外逃计划”的行动，旨在为他们自己创建的gpt-4模型寻找新的发展机会，而不是将其贡献给OpenAI组织。 据悉，这些员工认为OpenAI组织的管理层对于gpt-4的商业化发展计划不够开放和透明，因此希望将该模型带到其他组织中，以寻找更多的商业机会。 然而，这一行动可能会引发法律纠纷，因为OpenAI拥有gpt-4的知识产权和版权。此外，gpt-4也是由OpenAI的资金支持和技术支持所创建的，因此员工们可能会面临法律责任。 目前，OpenAI方面尚未对此事做出官方回应。

developing apps with gpt-4 and chatgpt

开发使用GPT-4和ChatGPT的应用程序是一项令人兴奋的任务。GPT-4是深度学习模型的最新版本，它采用了更多的参数和更复杂的计算机架构，以提供更高质量的自然语言处理能力。而ChatGPT是建立在GPT-4基础上的对话生成模型，它专注于与用户进行有趣和富有意义的对话。 借助GPT-4和ChatGPT，我们能够开发出具有出色语言理解和生成能力的应用程序。例如，我们可以构建一个智能对话助手，能够回答用户的问题、提供有用的建议并进行有趣的对话。该助手可以应用于各种情境，如客户服务、教育和娱乐，为用户提供个性化的支持和娱乐体验。 此外，我们也可以开发具有自然语言处理能力的虚拟人物。利用GPT-4和ChatGPT，我们可以构建出能够像真人一样进行对话的虚拟角色。这些角色可以被用于游戏中的角色扮演，或者在教育和培训领域中扮演教师或讲师的角色，与学生进行一对一的交互。 开发基于GPT-4和ChatGPT的应用程序也需要考虑一些挑战。首先，这些模型需要强大的计算资源和高效的训练过程，以确保其性能和响应速度。其次，由于它们是基于大量训练数据得出的统计规律，可能存在一定的不确定性和潜在的错误。因此，在应用程序的开发过程中，我们需要不断优化和调整模型，以提高其准确性和鲁棒性。 总的来说，通过利用GPT-4和ChatGPT，我们可以开发出强大而灵活的自然语言处理应用程序，为用户带来更智能和人性化的体验。不过，需要不断改进和优化这些模型，以应对挑战和提高性能。

gpt-2与gpt-3区别

GPT-2和GPT-3都是CSDN公司开发的基于Transformer模型的自然语言处理模型，但它们在以下方面有所不同： 1. 规模：GPT-3比GPT-2更大，拥有1750亿个参数，而GPT-2只有1.5亿个参数。 2. 性能：GPT-3在一些自然语言处理任务上的表现比GPT-2更好，例如生成更自然的文本、更准确的翻译、更好的问题回答等。 3. 数据集：GPT-3使用的数据集比GPT-2更大更广泛，包括从互联网上抓取的更多的文本数据。 4. 能力：GPT-3比GPT-2更具有通用性，能够在更多的自然语言处理任务上表现出色，甚至可以完成一些简单的编程任务。 总的来说，GPT-3是GPT模型系列中最先进的模型，它具有更强的性能和更广泛的应用能力。

请用Delphi编写一个接入ChatGPT的可用代码

很高兴为您提供有关Delphi编写可用代码来接入ChatGPT的信息。下面是一个示例代码，您可以使用它来与ChatGPT进行交互：program ChatGPT;uses SysUtils, GPT;var G: TGPT; InputText, OutputText: string;begin G := TGPT.Create; try InputText := '你好，世界！'; OutputText := G.Send(InputText); Writeln('Input: ', InputText); Writeln('Output: ', OutputText); finally G.Free; end; end.

最新推荐

基于PHP的微信小程序商城后台管理系统源码.zip

基于PHP的微信小程序商城后台管理系统源码.zip

会议邦--企业版 产品需求说明.docx

会议邦--企业版 产品需求说明.docx

代码随想录最新第三版-最强八股文

这份PDF就是最强⼋股⽂！ 1. C++ C++基础、C++ STL、C++泛型编程、C++11新特性、《Effective STL》 2. Java Java基础、Java内存模型、Java面向对象、Java集合体系、接口、Lambda表达式、类加载机制、内部类、代理类、Java并发、JVM、Java后端编译、Spring 3. Go defer底层原理、goroutine、select实现机制 4. 算法学习 数组、链表、回溯算法、贪心算法、动态规划、二叉树、排序算法、数据结构 5. 计算机基础 操作系统、数据库、计算机网络、设计模式、Linux、计算机系统 6. 前端学习 浏览器、JavaScript、CSS、HTML、React、VUE 7. 面经分享 字节、美团Java面、百度、京东、暑期实习...... 8. 编程常识 9. 问答精华 10.总结与经验分享 ......

基于交叉模态对应的可见-红外人脸识别及其表现评估

12046通过调整学习：基于交叉模态对应的可见-红外人脸识别Hyunjong Park*Sanghoon Lee*Junghyup Lee Bumsub Ham†延世大学电气与电子工程学院https://cvlab.yonsei.ac.kr/projects/LbA摘要我们解决的问题，可见光红外人重新识别（VI-reID），即，检索一组人的图像，由可见光或红外摄像机，在交叉模态设置。VI-reID中的两个主要挑战是跨人图像的类内变化，以及可见光和红外图像之间的跨模态假设人图像被粗略地对准，先前的方法尝试学习在不同模态上是有区别的和可概括的粗略的图像或刚性的部分级人表示然而，通常由现成的对象检测器裁剪的人物图像不一定是良好对准的，这分散了辨别性人物表示学习。在本文中，我们介绍了一种新的特征学习框架，以统一的方式解决这些问题。为此，我们建议利用密集的对应关系之间的跨模态的人的形象，年龄。这允许解决像素级中�

网上电子商城系统的数据库设计

网上电子商城系统的数据库设计需要考虑以下几个方面： 1. 用户信息管理：需要设计用户表，包括用户ID、用户名、密码、手机号、邮箱等信息。 2. 商品信息管理：需要设计商品表，包括商品ID、商品名称、商品描述、价格、库存量等信息。 3. 订单信息管理：需要设计订单表，包括订单ID、用户ID、商品ID、购买数量、订单状态等信息。 4. 购物车管理：需要设计购物车表，包括购物车ID、用户ID、商品ID、购买数量等信息。 5. 支付信息管理：需要设计支付表，包括支付ID、订单ID、支付方式、支付时间、支付金额等信息。 6. 物流信息管理：需要设计物流表，包括物流ID、订单ID、物流公司、物

数据结构1800试题.pdf

你还在苦苦寻找数据结构的题目吗？这里刚刚上传了一份数据结构共1800道试题，轻松解决期末挂科的难题。不信？你下载看看，这里是纯题目，你下载了再来私信我答案。按数据结构教材分章节，每一章节都有选择题、或有判断题、填空题、算法设计题及应用题，题型丰富多样，共五种类型题目。本学期已过去一半，相信你数据结构叶已经学得差不多了，是时候拿题来练练手了，如果你考研，更需要这份1800道题来巩固自己的基础及攻克重点难点。现在下载，不早不晚，越往后拖，越到后面，你身边的人就越卷，甚至卷得达到你无法想象的程度。我也是曾经遇到过这样的人，学习，练题，就要趁现在，不然到时你都不知道要刷数据结构题好还是高数、工数、大英，或是算法题？学完理论要及时巩固知识内容才是王道！记住！！！下载了来要答案（v:zywcv1220）。

通用跨域检索的泛化能力

12056通用跨域检索：跨类和跨域的泛化2* Soka Soka酒店，Soka-马上预订;1印度理工学院，Kharagpur，2印度科学学院，班加罗尔soumava2016@gmail.com，{titird，somabiswas} @ iisc.ac.in摘要在这项工作中，我们第一次解决了通用跨域检索的问题，其中测试数据可以属于在训练过程中看不到的类或域。由于动态增加的类别数量和对每个可能的域的训练的实际约束，这需要大量的数据，所以对看不见的类别和域的泛化是重要的。为了实现这一目标，我们提出了SnMpNet（语义Neighbourhood和混合预测网络），它包括两个新的损失，以占在测试过程中遇到的看不见的类和域。具体来说，我们引入了一种新的语义邻域损失，以弥合可见和不可见类之间的知识差距，并确保潜在的空间嵌入的不可见类是语义上有意义的，相对于其相邻的类。我们还在图像级以及数据的语义级引入了基于混�

三因素方差分析_连续变量假设检验 之 嵌套设计方差分析

嵌套设计方差分析是一种特殊的因素方差分析，用于分析一个因素（通常为被试或处理）在另一个因素（通常为场所或时间）内的变化。在嵌套设计中，因素A被嵌套在因素B的水平内，即因素B下的每个水平都有不同的A水平。例如，考虑一个实验，其中有4个医生（作为因素A）治疗了10个患者（作为因素B），每个医生治疗的患者不同，因此医生是嵌套因素。 嵌套设计方差分析的假设包括： - 常规假设：总体均值相等； - 固定效应假设：各水平下的均值相等； - 随机效应假设：各水平下的均值随机变化。 在嵌套设计方差分析中，我们需要计算三个因素：被试、场所和被试在场所内的误差。计算方法与经典的三因素方差分析类似，只是需要注

TFT屏幕-ILI9486数据手册带命令标签版.pdf

ILI9486手册 官方手册 ILI9486 is a 262,144-color single-chip SoC driver for a-Si TFT liquid crystal display with resolution of 320RGBx480 dots, comprising a 960-channel source driver, a 480-channel gate driver, 345,600bytes GRAM for graphic data of 320RGBx480 dots, and power supply circuit. The ILI9486 supports parallel CPU 8-/9-/16-/18-bit data bus interface and 3-/4-line serial peripheral interfaces (SPI). The ILI9486 is also compliant with RGB (16-/18-bit) data bus for video image display. For high speed serial interface, the ILI9486 also provides one data and clock lane and supports up to 500Mbps on MIPI DSI link. And also support MDDI interface.

生成模型的反事实解释方法及其局限性

693694不能很好地可视化/解释非空间定位的属性，如大小、颜色等。此外，它们可以显示图像的哪些区域可以被改变以影响分类，但不显示它们应该如何被改变。反事实解释通过提供替代输入来解决这些限制，其中改变一小组属性并且观察到不同的分类结果。生成模型是产生视觉反事实解释的自然候选者，事实上，最近的工作已经朝着这个目标取得了进展在[31，7，32，1]中，产生了生成的反事实解释，但它们的可视化立即改变了所有相关属性，如图所示。二、[29]中提供的另一种相关方法是使用来自分类器的深度表示来以不同粒度操纵生成的图像然而，这些可能涉及不影响分类结果的性质，并且还组合了若干属性。因此，这些方法不允许根据原子属性及其对分类的影响来其他解释方法使用属性生成反事实，其中可以对所需属性进行完全或部分监督[10，5