Descripción
El repositorio LearningToCompare_FSL aloja la implementación en PyTorch para el artículo "Learning to Compare: Relation Network for Few-Shot Learning", presentado en CVPR 2018. Este proyecto aborda específicamente el componente de Few-Shot Learning (FSL) de la investigación, permitiendo a los usuarios replicar y experimentar con el modelo Relation Network.
Leer más
La base de código está diseñada para facilitar el entrenamiento y la evaluación en benchmarks populares de few-shot learning. Incluye scripts tanto para los conjuntos de datos Omniglot como para mini-Imagenet. Para los experimentos de Omniglot, se proporcionan imágenes pre-redimensionadas directamente dentro del repositorio. Para mini-Imagenet, se instruye a los usuarios a descargar el conjunto de datos y preprocesarlo utilizando el script `proc_image.py` proporcionado, siguiendo una metodología similar a la utilizada en el framework MAML (Model-Agnostic Meta-Learning).
El repositorio ofrece instrucciones claras desde la línea de comandos para entrenar modelos con varias configuraciones, como diferentes números de 'ways' (clases) y 'shots' (ejemplos por clase) tanto para Omniglot como para mini-Imagenet. Por ejemplo, los usuarios pueden entrenar para Omniglot 5-way 1-shot o 5-way 5-shot, y de manera similar para mini-Imagenet. Los scripts de entrenamiento permiten ajustes en el parámetro de tamaño del lote (batch size), que puede modificarse según la memoria de GPU disponible. El repositorio también señala que actualmente carga modelos pre-entrenados, con instrucciones sobre cómo eliminarlos para los usuarios que deseen entrenar desde cero.
También se describen los procedimientos de prueba, con comandos de ejemplo para evaluar los modelos entrenados en tareas específicas de few-shot learning. El proyecto está construido utilizando Python 2.7 y PyTorch 0.3. Para aquellos interesados en la parte de Zero-Shot Learning del artículo original, se proporciona un enlace separado al repositorio relevante. El proyecto tiene licencia MIT, promoviendo el acceso abierto y la modificación.
Este recurso es valioso para investigadores y profesionales en el campo del meta-aprendizaje y el few-shot learning, proporcionando una implementación directa de un artículo fundamental en enfoques de meta-aprendizaje basados en relaciones. Sirve como una herramienta práctica para comprender y avanzar en las técnicas de few-shot learning.
- CategoríaModelos de IA y LLM
- Modelo de preciosCódigo abierto
- ImplementaciónAutoalojado
- PlataformasLinux
Características principales de LearningToCompare_FSL
Implementación en PyTorch de Relation Network para Few-Shot Learning
Código para el artículo de CVPR 2018 'Learning to Compare'
Soporta experimentos con el conjunto de datos Omniglot
Soporta experimentos con el conjunto de datos mini-Imagenet
Incluye scripts para entrenar modelos de few-shot learning
Incluye scripts para probar modelos de few-shot learning
Imágenes preprocesadas de Omniglot proporcionadas
Script de preprocesamiento de datos para mini-Imagenet
Parámetros de entrenamiento configurables (ways, shots, batch size)
Opción para entrenar desde cero o usar modelos pre-entrenados
Licencia MIT
Primeros pasos con LearningToCompare_FSL
Configurar entorno: Instalar Python 2.7 y PyTorch 0.3
Preparar datos: Descargar mini-Imagenet y ejecutar `proc_image.py` si es necesario
Entrenar modelo: Ejecutar scripts de entrenamiento (ej. `omniglot_train_one_shot.py`) con los parámetros deseados
Probar modelo: Ejecutar scripts de prueba (ej. `omniglot_test_one_shot.py`) para evaluar el rendimiento
Adaptar parámetros: Ajustar el tamaño del lote (`-b`) según la memoria de la GPU
Explorar Zero-Shot Learning: Visitar el repositorio enlazado para la implementación de ZSL
Casos de uso de LearningToCompare_FSL
- Clasificación de Imágenes Few-Shot
- Investigación en Meta-Learning
- Replicación de Modelos
- Benchmarking de Few-Shot Learning
- Exploración de Transfer Learning
