Descrição
O repositório LearningToCompare_FSL hospeda a implementação em PyTorch para o artigo "Learning to Compare: Relation Network for Few-Shot Learning", apresentado na CVPR 2018. Este projeto aborda especificamente o componente Few-Shot Learning (FSL) da pesquisa, permitindo que os usuários repliquem e experimentem com o modelo Relation Network.
Ler mais
O código foi projetado para facilitar o treinamento e a avaliação em benchmarks populares de few-shot learning. Ele inclui scripts para os conjuntos de dados Omniglot e mini-Imagenet. Para experimentos com Omniglot, imagens pré-redimensionadas são fornecidas diretamente no repositório. Para mini-Imagenet, os usuários são instruídos a baixar o conjunto de dados e pré-processá-lo usando o script `proc_image.py` fornecido, seguindo uma metodologia semelhante à utilizada no framework MAML (Model-Agnostic Meta-Learning).
O repositório oferece instruções claras de linha de comando para treinar modelos com várias configurações, como diferentes números de 'ways' (classes) e 'shots' (exemplos por classe) tanto para Omniglot quanto para mini-Imagenet. Por exemplo, os usuários podem treinar para Omniglot 5-way 1-shot ou 5-way 5-shot, e de forma semelhante para mini-Imagenet. Os scripts de treinamento permitem ajustes no parâmetro de tamanho do lote (batch size), que pode ser modificado com base na memória da GPU disponível. O repositório também observa que atualmente carrega modelos pré-treinados, com instruções sobre como excluí-los para usuários que desejam treinar do zero.
Os procedimentos de teste também são descritos, com comandos de exemplo para avaliar os modelos treinados em tarefas específicas de few-shot learning. O projeto é construído usando Python 2.7 e PyTorch 0.3. Para aqueles interessados na parte de Zero-Shot Learning do artigo original, um link separado para o repositório relevante é fornecido. O projeto é licenciado sob a licença MIT, promovendo acesso aberto e modificação.
Este recurso é valioso para pesquisadores e profissionais na área de meta-learning e few-shot learning, fornecendo uma implementação direta de um artigo fundamental em abordagens de meta-learning baseadas em relações. Ele serve como uma ferramenta prática para entender e avançar técnicas de few-shot learning.
- CategoriaModelos de IA e LLMs
- Modelo de preçosCódigo aberto
- ImplantaçãoAuto-hospedado
- PlataformasLinux
Recursos principais de LearningToCompare_FSL
Implementação em PyTorch da Relation Network para Few-Shot Learning
Código para o artigo CVPR 2018 'Learning to Compare'
Suporta experimentos com o conjunto de dados Omniglot
Suporta experimentos com o conjunto de dados mini-Imagenet
Inclui scripts para treinar modelos de few-shot learning
Inclui scripts para testar modelos de few-shot learning
Imagens Omniglot pré-processadas fornecidas
Script de pré-processamento de dados para mini-Imagenet
Parâmetros de treinamento configuráveis (ways, shots, batch size)
Opção de treinar do zero ou usar modelos pré-treinados
Licença MIT
Primeiros passos com LearningToCompare_FSL
Configurar ambiente: Instalar Python 2.7 e PyTorch 0.3
Preparar dados: Baixar mini-Imagenet e executar `proc_image.py` se necessário
Treinar modelo: Executar scripts de treinamento (ex: `omniglot_train_one_shot.py`) com os parâmetros desejados
Testar modelo: Executar scripts de teste (ex: `omniglot_test_one_shot.py`) para avaliar o desempenho
Adaptar parâmetros: Ajustar o tamanho do lote (`-b`) com base na memória da GPU
Explorar Zero-Shot Learning: Visitar o repositório vinculado para a implementação de ZSL
Casos de uso de LearningToCompare_FSL
- Classificação de Imagens Few-Shot
- Pesquisa em Meta-Learning
- Replicação de Modelos
- Benchmarking de Few-Shot Learning
- Exploração de Transfer Learning
