Beschreibung
Das LearningToCompare_FSL-Repository beherbergt die PyTorch-Implementierung für die Arbeit "Learning to Compare: Relation Network for Few-Shot Learning", die auf der CVPR 2018 vorgestellt wurde. Dieses Projekt befasst sich speziell mit der Few-Shot Learning (FSL)-Komponente der Forschung und ermöglicht es Benutzern, das Relation Network-Modell zu replizieren und damit zu experimentieren.
Weiterlesen
Die Codebasis ist darauf ausgelegt, das Training und die Evaluierung auf gängigen Few-Shot Learning-Benchmarks zu erleichtern. Sie enthält Skripte für die Datensätze Omniglot und mini-Imagenet. Für Omniglot-Experimente werden vorab skalierte Bilder direkt im Repository bereitgestellt. Für mini-Imagenet werden Benutzer angewiesen, den Datensatz herunterzuladen und ihn mit dem bereitgestellten Skript `proc_image.py` vorzuverarbeiten, wobei eine Methodik ähnlich der im MAML (Model-Agnostic Meta-Learning)-Framework verwendeten befolgt wird.
Das Repository bietet klare Befehlszeilenanweisungen für das Training von Modellen mit verschiedenen Konfigurationen, wie z. B. unterschiedliche Anzahlen von Wegen (Klassen) und Schüssen (Beispiele pro Klasse) für Omniglot und mini-Imagenet. Benutzer können beispielsweise für Omniglot 5-way 1-shot oder 5-way 5-shot trainieren, und ähnlich für mini-Imagenet. Die Trainingsskripte ermöglichen Anpassungen des Batch-Größen-Parameters, der je nach verfügbarem GPU-Speicher geändert werden kann. Das Repository merkt auch an, dass es derzeit vortrainierte Modelle lädt, mit Anweisungen, wie diese für Benutzer, die von Grund auf neu trainieren möchten, gelöscht werden können.
Testverfahren werden ebenfalls dargelegt, mit Beispielbefehlen zur Evaluierung der trainierten Modelle auf spezifischen Few-Shot Learning-Aufgaben. Das Projekt wurde mit Python 2.7 und PyTorch 0.3 erstellt. Für diejenigen, die sich für den Zero-Shot Learning-Teil der ursprünglichen Arbeit interessieren, wird ein separater Link zum entsprechenden Repository bereitgestellt. Das Projekt ist unter der MIT-Lizenz lizenziert, was offenen Zugang und Modifikation fördert.
Diese Ressource ist wertvoll für Forscher und Praktiker im Bereich Meta-Learning und Few-Shot Learning und bietet eine direkte Implementierung einer grundlegenden Arbeit zu relationenbasierten Meta-Learning-Ansätzen. Sie dient als praktisches Werkzeug zum Verständnis und zur Weiterentwicklung von Few-Shot Learning-Techniken.
- KategorieKI-Modelle & LLMs
- PreismodellOpen Source
- BereitstellungSelbst gehostet
- PlattformenLinux
LearningToCompare_FSL's Kernfunktionen
PyTorch-Implementierung des Relation Network für Few-Shot Learning
Code für die CVPR 2018-Arbeit 'Learning to Compare'
Unterstützt Omniglot-Datensatzexperimente
Unterstützt mini-Imagenet-Datensatzexperimente
Enthält Skripte für das Training von Few-Shot Learning-Modellen
Enthält Skripte für das Testen von Few-Shot Learning-Modellen
Vorverarbeitete Omniglot-Bilder werden bereitgestellt
Skript zur Datenvorverarbeitung für mini-Imagenet
Konfigurierbare Trainingsparameter (Wege, Schüsse, Batch-Größe)
Option zum Trainieren von Grund auf oder zur Verwendung vortrainierter Modelle
MIT-Lizenz
Erste Schritte mit LearningToCompare_FSL
Umgebung einrichten: Python 2.7 und PyTorch 0.3 installieren
Daten vorbereiten: mini-Imagenet herunterladen und bei Bedarf `proc_image.py` ausführen
Modell trainieren: Trainingsskripte (z. B. `omniglot_train_one_shot.py`) mit gewünschten Parametern ausführen
Modell testen: Testskripte (z. B. `omniglot_test_one_shot.py`) ausführen, um die Leistung zu bewerten
Parameter anpassen: Batch-Größe (`-b`) basierend auf dem GPU-Speicher anpassen
Zero-Shot Learning erkunden: Besuchen Sie das verlinkte Repository für die ZSL-Implementierung
LearningToCompare_FSL's Anwendungsfälle
- Few-Shot-Bildklassifizierung
- Meta-Learning-Forschung
- Modellreplikation
- Few-Shot Learning-Benchmarking
- Erforschung von Transfer Learning
