Description
Le dépôt LearningToCompare_FSL héberge l'implémentation PyTorch pour l'article "Learning to Compare: Relation Network for Few-Shot Learning", présenté à la CVPR 2018. Ce projet aborde spécifiquement la composante Few-Shot Learning (FSL) de la recherche, permettant aux utilisateurs de reproduire et d'expérimenter avec le modèle Relation Network.
Lire la suite
La base de code est conçue pour faciliter l'entraînement et l'évaluation sur des benchmarks standards de few-shot learning. Elle inclut des scripts pour les jeux de données Omniglot et mini-Imagenet. Pour les expériences Omniglot, des images pré-redimensionnées sont fournies directement dans le dépôt. Pour mini-Imagenet, les utilisateurs sont invités à télécharger le jeu de données et à le prétraiter à l'aide du script `proc_image.py` fourni, en suivant une méthodologie similaire à celle utilisée dans le framework MAML (Model-Agnostic Meta-Learning).
Le dépôt propose des instructions claires en ligne de commande pour entraîner des modèles avec diverses configurations, telles que différents nombres de classes (ways) et d'exemples par classe (shots) pour Omniglot et mini-Imagenet. Par exemple, les utilisateurs peuvent entraîner pour Omniglot 5-way 1-shot ou 5-way 5-shot, et de manière similaire pour mini-Imagenet. Les scripts d'entraînement permettent d'ajuster le paramètre de taille de lot (batch size), qui peut être modifié en fonction de la mémoire GPU disponible. Le dépôt note également qu'il charge actuellement des modèles pré-entraînés, avec des instructions sur la manière de les supprimer pour les utilisateurs souhaitant entraîner à partir de zéro.
Les procédures de test sont également décrites, avec des exemples de commandes pour évaluer les modèles entraînés sur des tâches spécifiques de few-shot learning. Le projet est construit en utilisant Python 2.7 et PyTorch 0.3. Pour ceux qui s'intéressent à la partie Zero-Shot Learning de l'article original, un lien séparé vers le dépôt pertinent est fourni. Le projet est sous licence MIT, favorisant l'accès ouvert et la modification.
Cette ressource est précieuse pour les chercheurs et les praticiens dans le domaine du meta-learning et du few-shot learning, fournissant une implémentation directe d'un article fondamental dans les approches de meta-learning basées sur les relations. Il sert d'outil pratique pour comprendre et faire progresser les techniques de few-shot learning.
- CatégorieModèles d'IA et LLM
- Modèle tarifaireOpen source
- DéploiementAuto-hébergé
- PlateformesLinux
Fonctionnalités principales de LearningToCompare_FSL
Implémentation PyTorch du Relation Network pour le Few-Shot Learning
Code pour l'article CVPR 2018 'Learning to Compare'
Supporte les expériences sur le jeu de données Omniglot
Supporte les expériences sur le jeu de données mini-Imagenet
Inclut des scripts pour l'entraînement de modèles de few-shot learning
Inclut des scripts pour le test de modèles de few-shot learning
Images Omniglot prétraitées fournies
Script de prétraitement de données pour mini-Imagenet
Paramètres d'entraînement configurables (ways, shots, batch size)
Option pour entraîner à partir de zéro ou utiliser des modèles pré-entraînés
Licence MIT
Premiers pas avec LearningToCompare_FSL
Configurer l'environnement : Installer Python 2.7 et PyTorch 0.3
Préparer les données : Télécharger mini-Imagenet et exécuter `proc_image.py` si nécessaire
Entraîner le modèle : Exécuter les scripts d'entraînement (par ex., `omniglot_train_one_shot.py`) avec les paramètres souhaités
Tester le modèle : Exécuter les scripts de test (par ex., `omniglot_test_one_shot.py`) pour évaluer les performances
Adapter les paramètres : Ajuster la taille du lot (`-b`) en fonction de la mémoire GPU
Explorer le Zero-Shot Learning : Visiter le dépôt lié pour l'implémentation ZSL
Cas d'utilisation de LearningToCompare_FSL
- Classification d'images en Few-Shot
- Recherche en Meta-Learning
- Réplication de Modèles
- Benchmarking en Few-Shot Learning
- Exploration du Transfer Learning
