Deskripsi
Repositori LearningToCompare_FSL menampung implementasi PyTorch untuk makalah "Learning to Compare: Relation Network for Few-Shot Learning", yang dipresentasikan di CVPR 2018. Proyek ini secara khusus menangani komponen Few-Shot Learning (FSL) dari penelitian, memungkinkan pengguna untuk mereplikasi dan bereksperimen dengan model Relation Network.
Baca Selengkapnya
Kode ini dirancang untuk memfasilitasi pelatihan dan evaluasi pada benchmark few-shot learning yang populer. Ini termasuk skrip untuk dataset Omniglot dan mini-Imagenet. Untuk eksperimen Omniglot, gambar yang telah diubah ukurannya disediakan langsung di dalam repositori. Untuk mini-Imagenet, pengguna diinstruksikan untuk mengunduh dataset dan memprosesnya menggunakan skrip `proc_image.py` yang disediakan, mengikuti metodologi yang mirip dengan yang digunakan dalam kerangka kerja MAML (Model-Agnostic Meta-Learning).
Repositori ini menawarkan instruksi baris perintah yang jelas untuk melatih model dengan berbagai konfigurasi, seperti jumlah cara (kelas) dan bidikan (contoh per kelas) yang berbeda untuk Omniglot dan mini-Imagenet. Misalnya, pengguna dapat melatih untuk Omniglot 5-way 1-shot atau 5-way 5-shot, dan serupa untuk mini-Imagenet. Skrip pelatihan memungkinkan penyesuaian parameter ukuran batch, yang dapat diubah berdasarkan memori GPU yang tersedia. Repositori juga mencatat bahwa saat ini memuat model yang telah dilatih sebelumnya, dengan instruksi tentang cara menghapusnya bagi pengguna yang ingin melatih dari awal.
Prosedur pengujian juga diuraikan, dengan contoh perintah untuk mengevaluasi model yang dilatih pada tugas few-shot learning tertentu. Proyek ini dibangun menggunakan Python 2.7 dan PyTorch 0.3. Bagi mereka yang tertarik pada bagian Zero-Shot Learning dari makalah asli, tautan terpisah ke repositori yang relevan disediakan. Proyek ini dilisensikan di bawah lisensi MIT, mempromosikan akses terbuka dan modifikasi.
Sumber daya ini berharga bagi peneliti dan praktisi di bidang meta-learning dan few-shot learning, menyediakan implementasi langsung dari makalah fundamental dalam pendekatan meta-learning berbasis relasi. Ini berfungsi sebagai alat praktis untuk memahami dan memajukan teknik few-shot learning.
- KategoriModel AI & LLM
- Model HargaOpen source
- PenerapanDi-host sendiri
- PlatformLinux
Fitur Inti LearningToCompare_FSL
Implementasi PyTorch dari Relation Network untuk Few-Shot Learning
Kode untuk makalah CVPR 2018 'Learning to Compare'
Mendukung eksperimen dataset Omniglot
Mendukung eksperimen dataset mini-Imagenet
Termasuk skrip untuk melatih model few-shot learning
Termasuk skrip untuk menguji model few-shot learning
Gambar Omniglot yang telah diproses disediakan
Skrip pemrosesan data untuk mini-Imagenet
Parameter pelatihan yang dapat dikonfigurasi (cara, bidikan, ukuran batch)
Opsi untuk melatih dari awal atau menggunakan model yang telah dilatih sebelumnya
Lisensi MIT
Memulai dengan LearningToCompare_FSL
Siapkan lingkungan: Instal Python 2.7 dan PyTorch 0.3
Siapkan data: Unduh mini-Imagenet dan jalankan `proc_image.py` jika perlu
Latih model: Jalankan skrip pelatihan (misalnya, `omniglot_train_one_shot.py`) dengan parameter yang diinginkan
Uji model: Jalankan skrip pengujian (misalnya, `omniglot_test_one_shot.py`) untuk mengevaluasi kinerja
Sesuaikan parameter: Sesuaikan ukuran batch (`-b`) berdasarkan memori GPU
Jelajahi Zero-Shot Learning: Kunjungi repositori tertaut untuk implementasi ZSL
Kasus Penggunaan LearningToCompare_FSL
- Klasifikasi Gambar Few-Shot
- Penelitian Meta-Learning
- Replikasi Model
- Benchmarking Few-Shot Learning
- Eksplorasi Transfer Learning
