写总结是一个不错的习惯，不仅可以帮助我们回顾自己的成长历程，更可以激励我们前进。希望从今以后，能够定期写下自己的总结，记录下自己的收获和成长，同时也给自己加油鼓励，不断前行。希望我可以定期写下我在工作中的一些收获。
0. 在M1的Mac上解析tensorflow v1的pb模型
首先，导入tensorflow库的时候，需要屏蔽tf2的操作：
import tensorflow.compat.v1 as tf
from tensorflow.python.platform import gfile
tf.disable_v2_behavior()随后便可以读取pb模型了，具体读取模型的代码如下：
def input_feed_dict(df, graph, features):
feed_dict = {}
feed_dict.update({k: graph.get_tensor_by_name(k + ":0") for k in features})
return feed_dict
def predict(pb_file_path):
with tf.Session() as sess:
with gfile.FastGFile(pb_file_path, 'rb') as f:
graph_def = tf.GraphDef()
graph_def.ParseFromString(f.read())之后是类似的根据 name 从 graph 中获取 op，进行：
sess.run([op1, op2], feed_dict=feed_dict)1. 如何评价深度模型中特征的重要性？
对于最终的输出，特征起的作用有多大，如何衡量？有一种思路是，使用一些可以输出重要性的模型去根据特征拟合一版，比如树模型，比如线性网络，比如GAM。
以上这些都比较好想，那么什么是简单有用且贴合自己的实际模型呢？
类似于树模型，树模型使用叶子结点的分裂收益来衡量特征的重要性，我们也可以使用输入对最终输出的影响程度来衡量重要性。有些人可能想到，如果固定输入样本，改变其中一个特征大小，去看输出的变化。且不说每个特征都有自己的大小范围，无法统一输入的变化程度。就光是非线性模型中的这个基准输入就难以确定，非线性模型通常是分段，非单调的。
那么，只考虑输入和输出，不调整样本的值。只考虑在某个样本而非客观情况下，特征的重要性相对大小。此时便有了一种方式，先正常训练得到一个模型。随后，逐一对输入的特征进行shuffle，然后计算预测值与损失值。根据每一个特征shuffle后输入模型计算得到的损失，得到排名，即可快速筛选掉无用特征，以及确定特征的相互重要程度。
2. 如何将部分特征单调化，并保留模型的预测能力？
最简单的方式是，将部分特征独立出来，使用一个简单的线性网络得到最终的输出。在这个过程中，保证其权重为正。
第二种方式是，复制一个原网络，然后将所有权重都设置为正的，所有特征都经过这个网络。最终与另一个网络加权。
第三种方式是，在第二种方式的基础上，只让单调的特征经过这个网络。最终仍然与另一个网络加权。