الوصف
يستضيف مستودع LearningToCompare_FSL تطبيق PyTorch الخاص بورقة "Learning to Compare: Relation Network for Few-Shot Learning"، والتي تم تقديمها في مؤتمر CVPR 2018. تعالج هذه المشروع على وجه التحديد مكون التعلم بالقليل من الأمثلة (FSL) في البحث، مما يتيح للمستخدمين تكرار نموذج Relation Network وتجربته.
قراءة المزيد
تم تصميم قاعدة الكود لتسهيل التدريب والتقييم على معايير التعلم بالقليل من الأمثلة الشائعة. يتضمن نصوصًا برمجية لمجموعتي بيانات Omniglot و mini-Imagenet. بالنسبة لتجارب Omniglot، يتم توفير صور مُعاد تحجيمها مسبقًا مباشرة داخل المستودع. بالنسبة لـ mini-Imagenet، يُطلب من المستخدمين تنزيل مجموعة البيانات ومعالجتها مسبقًا باستخدام النص البرمجي `proc_image.py` المقدم، باتباع منهجية مشابهة لتلك المستخدمة في إطار عمل MAML (Model-Agnostic Meta-Learning).
يقدم المستودع تعليمات واضحة عبر سطر الأوامر لتدريب النماذج بتكوينات مختلفة، مثل أعداد مختلفة من الفئات (ways) والأمثلة لكل فئة (shots) لكل من Omniglot و mini-Imagenet. على سبيل المثال، يمكن للمستخدمين التدريب لـ Omniglot 5-way 1-shot أو 5-way 5-shot، وبالمثل لـ mini-Imagenet. تسمح نصوص التدريب بإجراء تعديلات على معلمة حجم الدفعة (batch size)، والتي يمكن تعديلها بناءً على ذاكرة وحدة معالجة الرسومات المتاحة. يلاحظ المستودع أيضًا أنه يقوم حاليًا بتحميل نماذج مُدربة مسبقًا، مع تعليمات حول كيفية حذفها للمستخدمين الذين يرغبون في التدريب من الصفر.
تم أيضًا تحديد إجراءات الاختبار، مع أوامر نموذجية لتقييم النماذج المُدربة على مهام تعلم بالقليل من الأمثلة محددة. تم بناء المشروع باستخدام Python 2.7 و PyTorch 0.3. بالنسبة للمهتمين بجزء التعلم الصفري (Zero-Shot Learning) من الورقة الأصلية، يتم توفير رابط منفصل للمستودع ذي الصلة. تم ترخيص المشروع بموجب ترخيص MIT، مما يعزز الوصول المفتوح والتعديل.
هذا المورد قيم للباحثين والممارسين في مجال التعلم الوصفي (meta-learning) والتعلم بالقليل من الأمثلة، حيث يوفر تطبيقًا مباشرًا لورقة أساسية في مناهج التعلم الوصفي القائمة على العلاقات. إنه بمثابة أداة عملية لفهم تقنيات التعلم بالقليل من الأمثلة وتطويرها.
- الفئةنماذج الذكاء الاصطناعي ونماذج اللغة الكبيرة
- نموذج التسعيرمفتوح المصدر
- النشراستضافة ذاتية
- المنصاتLinux
الميزات الأساسية لـ LearningToCompare_FSL
تطبيق PyTorch لشبكة العلاقات (Relation Network) للتعلم بالقليل من الأمثلة
كود لورقة CVPR 2018 "Learning to Compare"
يدعم تجارب مجموعة بيانات Omniglot
يدعم تجارب مجموعة بيانات mini-Imagenet
يتضمن نصوصًا برمجية لتدريب نماذج التعلم بالقليل من الأمثلة
يتضمن نصوصًا برمجية لاختبار نماذج التعلم بالقليل من الأمثلة
صور Omniglot مُجهزة مسبقًا
نص برمجي لمعالجة البيانات لمجموعة mini-Imagenet
معلمات تدريب قابلة للتكوين (عدد الفئات، عدد الأمثلة، حجم الدفعة)
خيار التدريب من الصفر أو استخدام نماذج مُدربة مسبقًا
ترخيص MIT
البدء مع LearningToCompare_FSL
إعداد البيئة: تثبيت Python 2.7 و PyTorch 0.3
إعداد البيانات: تنزيل mini-Imagenet وتشغيل `proc_image.py` إذا لزم الأمر
تدريب النموذج: تنفيذ نصوص التدريب (مثل `omniglot_train_one_shot.py`) بالمعلمات المطلوبة
اختبار النموذج: تشغيل نصوص الاختبار (مثل `omniglot_test_one_shot.py`) لتقييم الأداء
تكييف المعلمات: تعديل حجم الدفعة (`-b`) بناءً على ذاكرة وحدة معالجة الرسومات
استكشاف التعلم الصفري: زيارة المستودع المرتبط لتطبيق ZSL
حالات استخدام LearningToCompare_FSL
- تصنيف الصور بالقليل من الأمثلة
- أبحاث التعلم الوصفي
- تكرار النماذج
- قياس أداء التعلم بالقليل من الأمثلة
- استكشاف التعلم الانتقالي
