使用PyTorch模型计算SHAP/LIME值时遇dtype不匹配错误

运行PyTorch模型计算SHAP值或LIME解释时，报错mat1 and mat2 must have the same dtype，但相同方法在scikit-learn算法中可正常运行。需求是提取模型信息以解释深度学习预测结果，已尝试将模型转为float32但无效。

错误原因分析 #

问题根源在于输入数据与模型参数的数据类型不匹配：

• scikit-learn的StandardScaler默认输出float64类型的numpy数组
• 传入SHAP/LIME后，torch.tensor(x)会将numpy数组转为float64类型的张量
• 而PyTorch模型默认使用float32类型的参数，矩阵乘法时因dtype不一致触发报错

解决方案 #

1. 统一输入张量与模型的dtype #

修改SHAP/LIME中调用模型的包装函数，显式指定输入张量的dtype为模型参数的dtype（通常是float32）：

修改后的SHAP代码

import shap

# 将模型切换到评估模式（避免BatchNorm/Dropout影响解释结果）
model.eval()

def model2(x):
    # 显式指定输入张量的dtype与模型一致
    return model(torch.tensor(x, dtype=torch.float32)).detach().numpy()

explainer = shap.Explainer(model2, X_test.detach().numpy())
shap_values = explainer(X_test.detach().numpy(), max_evals=10000)

修改后的LIME代码

from lime import lime_tabular

features = train_dataset.columns

explainer_lime = lime_tabular.LimeTabularExplainer(X_train.detach().numpy(), feature_names=features, verbose=True, mode='regression')

# 测试样本索引
i = 10
# 要展示的特征数量
k = 10

# 将模型切换到评估模式
model.eval()

def model2(x):
    # 显式指定输入张量的dtype与模型一致
    return model(torch.tensor(x, dtype=torch.float32)).detach().numpy()

exp_lime = explainer_lime.explain_instance(X_test[i].detach().numpy(), model2, num_features=k)
 
exp_lime.show_in_notebook()

2. 关键注意事项：模型必须切换到评估模式 #

深度学习模型中的BatchNorm、Dropout层在训练和评估模式下行为不同，解释预测结果时必须调用model.eval()，否则会导致解释结果不稳定或不符合实际推理逻辑。

额外建议 #

• 统一数据处理流程的dtype：可以在数据缩放后直接转为float32的numpy数组，减少后续类型转换问题，例如：

  X_train = scaler.transform(train_dataset_transformed).astype(np.float32)
  X_test = scaler.transform(test_dataset_transformed).astype(np.float32)
  

• 设备同步：若使用GPU，需确保模型和输入张量都在同一设备上，可通过.to('cuda')同步
• 模型保存与加载：解释前若加载了预训练模型，同样要调用model.eval()确保状态正确

内容的提问来源于stack exchange，提问作者Igbin