Описание
Репозиторий LearningToCompare_FSL содержит реализацию на PyTorch для статьи «Learning to Compare: Relation Network for Few-Shot Learning», представленной на CVPR 2018. Этот проект специально посвящен компоненту Few-Shot Learning (FSL) исследования, позволяя пользователям воспроизводить и экспериментировать с моделью Relation Network.
Читать далее
Кодовая база разработана для облегчения обучения и оценки на популярных бенчмарках few-shot learning. Она включает скрипты как для наборов данных Omniglot, так и для mini-Imagenet. Для экспериментов с Omniglot предварительно измененные изображения предоставляются непосредственно в репозитории. Для mini-Imagenet пользователям предлагается скачать набор данных и предварительно обработать его с помощью предоставленного скрипта `proc_image.py`, следуя методологии, аналогичной используемой в рамках MAML (Model-Agnostic Meta-Learning).
Репозиторий предлагает четкие инструкции командной строки для обучения моделей с различными конфигурациями, такими как разное количество классов (ways) и примеров на класс (shots) как для Omniglot, так и для mini-Imagenet. Например, пользователи могут обучать для Omniglot 5-way 1-shot или 5-way 5-shot, и аналогично для mini-Imagenet. Скрипты обучения позволяют настраивать параметр размера пакета (batch size), который может быть изменен в зависимости от доступной памяти GPU. Репозиторий также отмечает, что в настоящее время он загружает предварительно обученные модели, с инструкциями о том, как их удалить для пользователей, желающих обучать с нуля.
Также описаны процедуры тестирования с примерами команд для оценки обученных моделей на конкретных задачах few-shot learning. Проект создан с использованием Python 2.7 и PyTorch 0.3. Для тех, кто интересуется частью Zero-Shot Learning из оригинальной статьи, предоставляется отдельная ссылка на соответствующий репозиторий. Проект лицензирован под лицензией MIT, что способствует открытому доступу и модификации.
Этот ресурс ценен для исследователей и практиков в области мета-обучения и обучения с малым количеством примеров, предоставляя прямую реализацию основополагающей статьи по подходам мета-обучения на основе отношений. Он служит практическим инструментом для понимания и продвижения методов обучения с малым количеством примеров.
- КатегорияИИ-модели и LLM
- Модель ценообразованияОткрытый код
- РазвёртываниеНа своём сервере
- ПлатформыLinux
Основные функции LearningToCompare_FSL
Реализация Relation Network на PyTorch для Few-Shot Learning
Код для статьи CVPR 2018 «Learning to Compare»
Поддержка экспериментов с набором данных Omniglot
Поддержка экспериментов с набором данных mini-Imagenet
Включает скрипты для обучения моделей few-shot learning
Включает скрипты для тестирования моделей few-shot learning
Предоставлены предварительно обработанные изображения Omniglot
Скрипт предварительной обработки данных для mini-Imagenet
Настраиваемые параметры обучения (ways, shots, batch size)
Возможность обучения с нуля или использования предварительно обученных моделей
Лицензия MIT
Начало работы с LearningToCompare_FSL
Настройка окружения: Установите Python 2.7 и PyTorch 0.3
Подготовка данных: Скачайте mini-Imagenet и при необходимости запустите `proc_image.py`
Обучение модели: Выполните скрипты обучения (например, `omniglot_train_one_shot.py`) с желаемыми параметрами
Тестирование модели: Запустите скрипты тестирования (например, `omniglot_test_one_shot.py`) для оценки производительности
Адаптация параметров: Измените размер пакета (`-b`) в зависимости от памяти GPU
Исследование Zero-Shot Learning: Посетите связанный репозиторий для реализации ZSL
Варианты использования LearningToCompare_FSL
- Классификация изображений с малым количеством примеров
- Исследования в области мета-обучения
- Воспроизведение моделей
- Бенчмаркинг few-shot learning
- Исследование трансферного обучения
