Captum est une bibliothèque extensible qui fournit des implémentations à usage général pour l'interprétabilité des modèles dans PyTorch. Son objectif est de démystifier les modèles d'apprentissage automatique complexes en offrant plusieurs algorithmes pour analyser et comprendre les prévisions des modèles. Captum comprend une variété de méthodes telles que l'ablation de caractéristiques, les gradients intégrés et d'autres, qui aident les chercheurs et les développeurs à comprendre et à améliorer leurs modèles.

CommNet est une bibliothèque orientée recherche qui implémente l'architecture CommNet, permettant à plusieurs agents de partager des états cachés à chaque étape et d'apprendre à coordonner leurs actions dans des environnements coopératifs. Elle inclut des définitions de modèles PyTorch, des scripts d'entraînement et d'évaluation, des wrappers d'environnement pour OpenAI Gym et des utilitaires pour personnaliser les canaux de communication, le nombre d'agents et la profondeur du réseau. Chercheurs et développeurs peuvent utiliser CommNet pour prototyper et benchmarker des stratégies de communication inter-agent sur des tâches de navigation, de poursuite–évasion et de collecte de ressources.