当下,深度学习可解释性是最前沿且重要的科研难题之一。可解释深度学习中许多问题都可以归结为高维概率分布转换,如工程中应用广泛的生成模型、领域自适应等。目前可以计算高维概率分布转换的算法比较缺乏,基于切片最优传输的方法是一种可行思路,但尚未有人基于该理论提供有效算法。本文创新之处是第一次实现了高维切片最优传输算法,为可解释深度学习提供了一种高维全离散型概率分布转换的可行算法。首先,通过对切片最优传输的理论研究,明确了本文研究范围和对象。然后,按照一维和高维分别阐述了本文算法原理。接着,给出了算法思路,即通过将源分布和目标分布同时乘以高维旋转矩阵来不断变换坐标系,将高维分布投影成多个一维分布,在每个一维分布上做最优传输映射,将源分布的一维投影分布转换为目标分布的一维投影分布,迭代足够多次数后,该变换将逼近高维的最优传输分布,即完成了高维概率分布转换。之后,通过Python语言实现了算法,使用CUDA并行加速求解。最后,按照二维、三维和高维展示了实验结果,并分析了算法的计算复杂度、稳定性和收敛性。实验结果表明,本文算法切实有效,可以处理高维的概率分布转换,为可解释深度学习提供了有效算法。计算复杂度与源分布或目标分布本身的特性有关,越复杂的分布,则概率分布转换的难度越大。