الوصف
الشبكات النموذجية للتعلم بالقليل من الأمثلة هو تطبيق لنموذج ذكاء اصطناعي يعتمد على ورقة NeurIPS 2017 التي تحمل نفس الاسم. يقدم هذا المشروع قاعدة الكود التي تدعم البحث المقدم في الورقة، مع التركيز على منهجية محددة للتعلم بالقليل من الأمثلة. التعلم بالقليل من الأمثلة هو مجال فرعي من التعلم الآلي يتعامل مع المشكلات التي تتوفر فيها أمثلة قليلة مصنفة للتدريب.
قراءة المزيد
الفكرة الأساسية وراء الشبكات النموذجية هي تعلم مساحة قياس يمكن من خلالها إجراء التصنيف عن طريق حساب المسافات إلى التمثيلات النموذجية لكل فئة. لكل فئة، يتم حساب نموذج واحد كمتوسط لأمثلة الدعم المضمنة. أثناء الاختبار، يتم تصنيف الأمثلة الجديدة بناءً على مسافتها إلى هذه النماذج الفئوية. هذا النهج فعال بشكل خاص عند التعامل مع بيانات تدريب محدودة، وهو تحد شائع في العديد من التطبيقات الواقعية.
يوفر المستودع النصوص البرمجية والكود اللازمين لتدريب وتقييم الشبكات النموذجية. يتضمن تعليمات لإعداد البيئة، وتثبيت التبعيات مثل PyTorch و torchnet، وإعداد مجموعات البيانات مثل Omniglot. يمكن للمستخدمين تدريب النموذج عن طريق تشغيل نصوص برمجية Python محددة ويمكنهم تحديد مجلدات الإخراج للنتائج. يتم تسهيل التقييم أيضًا من خلال نصوص برمجية مخصصة، مما يسمح للمستخدمين باختبار أداء النموذج على بيانات غير مرئية.
هذا المشروع قيم للباحثين والمطورين المهتمين بالتعلم بالقليل من الأمثلة، والتعلم القياسي، والتعلم العميق. إنه بمثابة مورد عملي لفهم وتطبيق الشبكات النموذجية، ويوفر أساسًا لمزيد من التجارب والتطوير في سيناريوهات التعلم ذات البيانات المنخفضة. الكود متاح بموجب ترخيص MIT، مما يعزز الوصول المفتوح والتعاون داخل مجتمع الذكاء الاصطناعي.
- الفئةنماذج الذكاء الاصطناعي ونماذج اللغة الكبيرة
- نموذج التسعيرمفتوح المصدر
- النشراستضافة ذاتية
- المنصاتLinux, macOS, Windows
الميزات الأساسية لـ الشبكات النموذجية (Prototypical Networks)
تطبيق الشبكات النموذجية للتعلم بالقليل من الأمثلة
كود يعتمد على ورقة NeurIPS 2017 "الشبكات النموذجية للتعلم بالقليل من الأمثلة"
يدعم تدريب وتقييم نماذج التعلم بالقليل من الأمثلة
يتضمن نصوصًا برمجية لإعداد مجموعات البيانات (مثل Omniglot)
يستخدم PyTorch لتطبيق النموذج
يوفر تعليمات لتثبيت التبعيات
يسمح بتحديد مجلدات إخراج مخصصة لنتائج التدريب
يسهل تقييم النموذج بالنصوص البرمجية المقدمة
يتعلم مساحة قياس للتصنيف
يحسب النماذج الفئوية كمتوسطات لأمثلة الدعم المضمنة
يصنف الأمثلة الجديدة بناءً على المسافة إلى النماذج
البدء مع الشبكات النموذجية (Prototypical Networks)
تثبيت التبعيات: قم بإعداد PyTorch و torchvision و torchnet.
تثبيت الحزمة: قم بتشغيل 'python setup.py install' أو 'python setup.py develop'.
إعداد مجموعة البيانات: قم بتنزيل مجموعة بيانات Omniglot باستخدام النص البرمجي المقدم.
تدريب النموذج: قم بتنفيذ 'python scripts/train/few_shot/run_train.py'، مع تحديد اختياريًا دليل السجل واستخدام وحدة معالجة الرسومات.
إعادة التشغيل في وضع التدريب والتحقق: استخدم 'python scripts/train/few_shot/run_trainval.py' لحفظ النموذج.
تقييم النموذج: قم بتشغيل 'python scripts/predict/few_shot/run_eval.py' مع مسار النموذج.
حالات استخدام الشبكات النموذجية (Prototypical Networks)
- تصنيف الصور بالقليل من الأمثلة
- سيناريوهات التعلم ذات البيانات المنخفضة
- أبحاث التعلم القياسي
- النماذج الأولية السريعة
- الروبوتات وعوامل الذكاء الاصطناعي
- تحليل الصور الطبية
