설명
LearningToCompare_FSL 리포지토리는 CVPR 2018에서 발표된 "Learning to Compare: Relation Network for Few-Shot Learning" 논문의 PyTorch 구현을 호스팅합니다. 이 프로젝트는 연구의 Few-Shot Learning(FSL) 구성 요소를 구체적으로 다루며, 사용자가 Relation Network 모델을 복제하고 실험할 수 있도록 합니다.
더 읽기
이 코드베이스는 인기 있는 few-shot learning 벤치마크에서 학습 및 평가를 용이하게 하도록 설계되었습니다. Omniglot 및 mini-Imagenet 데이터셋 모두에 대한 스크립트가 포함되어 있습니다. Omniglot 실험의 경우, 리포지토리 내에 미리 크기가 조정된 이미지가 직접 제공됩니다. mini-Imagenet의 경우, 사용자는 MAML(Model-Agnostic Meta-Learning) 프레임워크에서 사용된 방법론과 유사한 절차를 따라 제공된 `proc_image.py` 스크립트를 사용하여 데이터셋을 다운로드하고 전처리해야 합니다.
리포지토리는 Omniglot 및 mini-Imagenet 모두에 대해 다양한 구성(예: 클래스 수, 클래스당 예시 수)으로 모델을 학습하기 위한 명확한 명령줄 지침을 제공합니다. 예를 들어, 사용자는 Omniglot 5-way 1-shot 또는 5-way 5-shot으로 학습할 수 있으며, mini-Imagenet에 대해서도 마찬가지입니다. 학습 스크립트는 사용 가능한 GPU 메모리에 따라 수정할 수 있는 배치 크기 매개변수를 조정할 수 있도록 합니다. 또한 리포지토리에서는 현재 사전 학습된 모델을 로드하고 있으며, 처음부터 학습하려는 사용자를 위해 이를 삭제하는 방법에 대한 지침을 제공합니다.
테스트 절차도 설명되어 있으며, 특정 few-shot learning 작업에서 학습된 모델을 평가하기 위한 예제 명령이 제공됩니다. 이 프로젝트는 Python 2.7 및 PyTorch 0.3을 사용하여 구축되었습니다. 원본 논문의 Zero-Shot Learning 부분에 관심이 있는 분들을 위해 관련 리포지토리로 가는 별도의 링크가 제공됩니다. 이 프로젝트는 MIT 라이선스에 따라 라이선스가 부여되어 공개 액세스 및 수정을 촉진합니다.
이 리소스는 메타 학습 및 few-shot learning 분야의 연구원 및 실무자에게 유용하며, 관계 기반 메타 학습 접근 방식의 기초 논문에 대한 직접적인 구현을 제공합니다. 이는 few-shot learning 기술을 이해하고 발전시키기 위한 실용적인 도구 역할을 합니다.
- 카테고리AI 모델 및 LLM
- 요금제오픈소스
- 배포셀프 호스팅
- 플랫폼Linux
LearningToCompare_FSL의 핵심 기능
Few-Shot Learning을 위한 Relation Network의 PyTorch 구현
CVPR 2018 논문 'Learning to Compare' 코드
Omniglot 데이터셋 실험 지원
mini-Imagenet 데이터셋 실험 지원
Few-Shot Learning 모델 학습을 위한 스크립트 포함
Few-Shot Learning 모델 테스트를 위한 스크립트 포함
전처리된 Omniglot 이미지 제공
mini-Imagenet용 데이터 전처리 스크립트
구성 가능한 학습 매개변수(ways, shots, batch size)
처음부터 학습하거나 사전 학습된 모델 사용 옵션
MIT 라이선스
LearningToCompare_FSL 시작하기
환경 설정: Python 2.7 및 PyTorch 0.3 설치
데이터 준비: mini-Imagenet 다운로드 및 필요한 경우 `proc_image.py` 실행
모델 학습: 원하는 매개변수로 학습 스크립트 실행 (예: `omniglot_train_one_shot.py`)
모델 테스트: 테스트 스크립트 실행 (예: `omniglot_test_one_shot.py`)하여 성능 평가
매개변수 조정: GPU 메모리에 따라 배치 크기(`-b`) 조정
Zero-Shot Learning 탐색: ZSL 구현을 위해 링크된 리포지토리 방문
LearningToCompare_FSL의 사용 사례
- Few-Shot 이미지 분류
- 메타 학습 연구
- 모델 복제
- Few-Shot Learning 벤치마킹
- 전이 학습 탐색
