针对给定的模型（含训练数据）和测试输入，实例级证据分析方法对每一训练样本赋值一个分数，用其表示该样本对预测文本的影响度。然后，对当前预测文本影响大的若干训练样本作为模型预测依赖证据，解释模型对预测。
TrustAI提供了3种实例级证据分析方法，分别是：
- 基于梯度的方法：基于训练样本的梯度计算其对模型的影响度a, 通过影响度a、训练样本i的表示、测试样本t的表示来计算训练样本i对测试样本t的影响度。该方法计算得到的影响分数受a影响较大，即给出的证据是对模型影响大的样本，这样的样本可能是困难数据或脏数据，所以使用者可以根据这种方法识别脏数据。
- 基于表示相似度方法：计算训练样本i和测试样本t的表示的相似度，该相似度作为训练样本i对测试样本t的影响度。该相似度可通过cosine、KL散度、欧氏距离等多种方法实现。
- 基于梯度相似度方法：计算训练样本i和测试样本t的梯度的相似度，该相似度作为训练样本i对测试样本t的影响度。该相似度可通过cosine等方法实现。
TrustAI为所有实例级证据分析方法提供统一的使用接口。
- 接口输入：训练数据、训练好的模型、和测试数据；
- 接口输出：测试数据的实例级证据，含支持当前测试数据的证据（正影响）和不支持测试数据的证据（负影响）。
调用代码：
from trustai.interpretation import RepresenterPointModel
# initialization
# 开发者需要传入模型及对应的训练数据，以及模型输出层中最后一层的layer name
representer_model = RepresenterPointModel(model, train_data_loader, classifier_layer_name="classifier")
# res为模型返回的结构化的结果，类型为list。list中的每一个元素对应一个测试实例的返回结果，该结果包括预测标签，正影响数据的索引，负影响数据的索引，正影响数据的分值和负影响数据的分值。
res = []
for batch in test_dataloader:
res += representer_model(batch, sample_num=3)注：返回证据数量由sample_num指定，若sample_num为-1则返回按影响度排序的所有训练数据。
输出结果：
测试文本（来自情感分析任务）: 本来不想评价了，但为了携程的携粉们，还是说一下，这称不上是九点，细说就真没必要了，就一个字：差
预测结果: 0（表示负向情感）
支持当前测试文本的训练样本（正影响样本）：
text: 感觉非常奇怪,这套书我明明都写了两次评论了,可我的当当始终提醒我对这套书写评论!晕啊!这是套很好的书,也不用我写几次评论吧! gold label: 1 score: 0.03509485349059105
text: 1）背面少个螺丝钉,说是thinkpad都少，靠 2）键盘周围的壳不平整，按下去发现有：“滋啦滋啦”声音，我才意识到，那是个双面胶，按下去就不上来了，过会儿还是回弹上来，很明显仅靠双面胶是 粘不住的，你还不如拿502呢，起码这样粘得严实还能让我心里舒服（但是这样只是弥补质量问题），何必还弄个滋啦兹啦的声音，多闹心啊，（还有一地方用了双面胶，我换内存的时候发现键盘下部盖子左侧打不开，一直不敢用力 gold label: 1 score: 0.03008783608675003
text: 用了6年的THINKPAD,一直认为是笔记本中最好的! 现在这台新的让我......哎!! gold label: 0 score: 0.029884012416005135
不支持当前测试文本的训练样本（负影响样本）：
text: 是LINUX系统 相当及其恶心 不知道这狗 日 的是什么想法 要强行逼我们使用啊 买了两台电脑 一个事VISTA系统 一个 是 LINUX 就没见一个XP的 网上销售这东西 最重要的是打架尽量不要涉及到售后服务这块 尽量是都搞好了相安无事 其实网上的售后服务比没有售后服务还差劲 我的THINKPAD SL400就是因为换货期间以为是键盘小问题就懒得换了 gold label: 1 score: -0.07112707197666168
text: 盼了2周终于拿到本了，一开机就屏不亮，本人自己跑回总部退机，现在还在等着检测，说要等上15个工作日，呵呵，买个电脑容易吗？时间浪费的起吗？请问？ gold label: 0 score: -0.07233154773712158
text: 价格确实比较高，而且还没有早餐提供。 携程拿到的价格不好？还是自己保留起来不愿意让利给我们这些客户呢？ 到前台搞价格，430就可以了。 gold label: 1 score: -0.08243595063686371调用代码：
from trustai.interpretation import FeatureSimilarityModel
# initialization
# 开发者需要传入模型及对应的训练数据，以及模型输出层中最后一层的layer name
feature_sim_model = FeatureSimilarityModel(model, train_data_loader, classifier_layer_name="classifier")
# 开发者可以通过sim_fn参数指定相似度计算方式，目前支持cos、dot、euc（分别是余弦距离，点积距离和欧式距离）
#res为模型返回的结构化的结果，类型为list。list中的每一个元素对应一个测试实例的返回结果，该结果包括预测标签，正影响数据的索引，负影响数据的索引，正影响数据的分值和负影响数据的分值。
res = []
for batch in test_dataloader:
res += feature_sim_model(batch, sample_num=3, sim_fn='cos')注：返回证据数量由sample_num指定，若sample_num为-1则返回按影响度排序的所有训练数据。
输出结果：
测试文本（来自情感分析任务）: 没有光驱,重装Windows需要外接光驱,对于电脑新手会很麻烦(没什么人会用Linux吧)
预测结果: 0（负向情感）
支持当前测试文本的训练样本（正影响样本）：
text: Linux系统不太好用,平时习惯用Windows xp 系统,一下子用这个系统感觉很不习惯,建议开发或预装Windows xp系统. gold label: 0 score: 0.9393996000289917
text: 1、机器较沉 2、VISTA用起来不习惯，且占系统较多 3、音频插口、右前侧的二个USB口在用鼠标时感觉手靠得太近了 gold label: 0 score: 0.9354583621025085
text: vista系统下也没有无线网卡驱动，用驱动精灵可解决。 机器稍有点重。 散热有待改进。 gold label: 0 score: 0.9348428249359131
不支持当前测试文本的训练样本（负影响样本）：
text: “任务型教学”在我国外语教学界备受关注。国家教育部新《英语课程标准》将“倡导‘任务型’的教学途径，培养学生综合语言运用能力”写入教学建议。任务型教学被视为改革我国传统外语教学的良方。本书立足我国外语教学现状，全面分析了“任务型教学”的理论和实践基础、以实例说明“任务型教学”的具体操作步骤。为广大一线英语教师提供了教学和研究参考。 gold label: 1 score: -0.12422356754541397
text: 当美国发生次贷危机乃至影响全世界以后，对于应对危机，我们国内的绝大多数专家对此都异口同声，观点基本雷同，而且又莫衷一是，人云亦云，本书的作者以其独特的视觉和丰富的知识，在书中告诉我们这次危机的来龙去脉，我们国家应该以怎样的方式去直面这次危机，如何转危为安，化危为机；作为普通读者也能从书中领会到一些对自己有益的知识。读完这本书以后，你更能体会到一种不一样的思维，非常值得一读。 gold label: 1 score: -0.128561332821846
text: 我从06年开始几乎每月都有一次出差，山西很多酒店都住过了，印象最深的就是三晋国际，其他还有龙城国际，华苑宾馆，黄河京都，还有一个叫什么交通大厦的，下面我对这些酒店做个最真实、准确地点评： 三晋国际——这是我认为最让太原市骄傲的酒店，我们衡量一个酒店的最直接的就是你能够得到什么服务，在这家酒店里，我感觉到了家一般的照顾，第一次来这里，感冒了，嘴里冷不丁说了一句，服务生就听到了，然后熬了一碗姜汤到我房间，当然也是免费的，很感动；洗澡时，一不小心摔倒了，副总经理、总监等等都慰问了我，其实这也不完全是酒店的错，但是从那以后，我发现每个房间浴室都放置了防滑垫和塑料拖鞋；有一次我把袜子之类的放在洗手间了，谁知道我回来后竟然发现服务员帮我免费清洗了，还把我不小心掰断的心爱的梳子还用胶给我粘好了，还留了言给我，真的很让我意外也有点不敢相信！对一个出差特别频繁，时间特别紧张的人来说，办理入住和退房就是一个最让人烦躁的时间，但是我算过了，三晋国际前台办理退房、入住的时间没有超过一分钟！！！在北京都很难有这样的待遇！其他的，比如前台接待、门厅服务之类的就不用说了，真的很好； 当然我也有建议：1、酒店的被子能否换厚一点的，冬天冷啊；2、一些房间的电话没有免提，不是很方便；3、外面的电话打不进来，可能是酒店为了安全考虑吧，但还是希望能够有外线拨入的功能。 龙城国际——不知道五星级是谁给的评价？！酒店一般，还不如华苑宾馆，无法容忍的是，前台接待服务态度太差了！唯一的优点是，早餐挺好吃。 华苑宾馆——06、07年都挺好的，今天偶尔又住了一下，发现时间长了，枕头、被子不是很干净，其他倒是挺好的，服务态度、环境都还不错，早餐有点单一。 黄河京都——地方太偏了！看起来挺好，住进去不咋地，无法容忍的是，也给大家提个醒，我退房的时间整整用了29分钟，快半个钟头了，我差点晕倒！结帐的服务员只顾打电话，不理我。 交通大厦——噩梦般的酒店，我再也不会住了！！隔音效果太差，还不幸地让我听到了隔壁小两口的闺房密语，哈哈，让我坐噩梦的是，半夜不知道什么单位来查房，从好多房间带走了好多女孩子，好怕怕地说……还有就是前台一个戴眼镜的，白白的女孩子，态度可真差啊，郁闷！ 太原还有好多酒店，可能我不会一一住到，但还是希望所有的酒店都能够像三晋国际一样，给山西人长脸！ gold label: 1 score: -0.17390453815460205调用代码：
from trustai.interpretation import GradientSimilarityModel
# initialization
# 开发者需要传入模型及对应的训练数据，以及模型输出层中最后一层的layer name
# 注意因为需要计算每一条数据对于模型参数的梯度，所以train_dataloader的batch_size需要设置为1，测试数据对应的dataloader的batch_size也需为1
grad_sim_model = GradientSimilarityModel(model, train_data_loader, classifier_layer_name="classifier")
# 开发者可以通过sim_fn参数指定相似度计算方式，目前支持cos、dot（分别是余弦距离，点积距离）
# res为模型返回的结构化的结果，类型为list。list中的每一个元素对应一个测试实例的返回结果，该结果包括预测标签，正影响数据的索引，负影响数据的索引，正影响数据的分值和负影响数据的分值。
res = []
for batch in test_dataloader:
res += grad_sim_model(batch, sample_num=3, sim_fn='cos')注：返回证据数量由sample_num指定，若sample_num为-1则返回按影响度排序的所有训练数据。
输出结果：
测试文本（来自情感分析任务）: 没有光驱,重装Windows需要外接光驱,对于电脑新手会很麻烦(没什么人会用Linux吧)
预测结果: 0（负向情感）
支持当前测试文本的训练样本（正影响样本）：
text: Linux系统不太好用,平时习惯用Windows xp 系统,一下子用这个系统感觉很不习惯,建议开发或预装Windows xp系统. gold label: 0 score: 0.9395108222961426
text: 1、机器较沉 2、VISTA用起来不习惯，且占系统较多 3、音频插口、右前侧的二个USB口在用鼠标时感觉手靠得太近了 gold label: 0 score: 0.9355786442756653
text: vista系统下也没有无线网卡驱动，用驱动精灵可解决。 机器稍有点重。 散热有待改进。 gold label: 0 score: 0.9349631071090698
不支持当前测试文本的训练样本（负影响样本）：
text: 价格确实比较高，而且还没有早餐提供。 携程拿到的价格不好？还是自己保留起来不愿意让利给我们这些客户呢？ 到前台搞价格，430就可以了。 gold label: 1 score: -0.49774348735809326
text: 买机器送的移动硬盘2.5寸250G的，没开封，想卖出，感兴趣短息联系，北京13901019711 gold label: 1 score: -0.5244823694229126
text: 买机器送的移动硬盘2.5寸250G的，没开封，想卖出，感兴趣短息联系，北京13901019711 gold label: 0 score: -0.5244823694229126详细示例见examples。