可解释性已成为深度学习广泛应用的关键挑战，尤其是在那些人工智能决策可能对人类生活产生深远影响的领域（例如医疗、金融）中。本教程将概述两种主要的可解释性方法，并讨论它们各自的优势与局限性：

事后可解释性：解释现有模型的方法。 设计时可解释性：构建本身具有可解释性的模型的方法。