Описание
Prototypical Networks for Few-shot Learning — это реализация ИИ-модели, основанная на одноименной статье NeurIPS 2017. Этот проект предлагает кодовую базу, лежащую в основе исследований, представленных в статье, с акцентом на конкретную методологию обучения с малым числом примеров. Обучение с малым числом примеров (few-shot learning) — это подобласть машинного обучения, которая занимается задачами, где для обучения доступно лишь несколько размеченных примеров.
Читать далее
Основная идея прототипических сетей заключается в обучении метрического пространства, в котором классификация может выполняться путем вычисления расстояний до прототипов каждого класса. Для каждого класса вычисляется один прототип как среднее значение вложенных примеров поддержки. Во время тестирования новые примеры классифицируются на основе их расстояния до этих классовых прототипов. Этот подход особенно эффективен при работе с ограниченными обучающими данными, что является распространенной проблемой во многих реальных приложениях.
Репозиторий предоставляет необходимые скрипты и код для обучения и оценки прототипических сетей. Он включает инструкции по настройке среды, установке зависимостей, таких как PyTorch и torchnet, а также подготовке наборов данных, таких как Omniglot. Пользователи могут обучать модель, запуская определенные скрипты Python, и указывать выходные каталоги для результатов. Оценка также облегчается с помощью специализированных скриптов, позволяющих пользователям тестировать производительность модели на невиданных ранее данных.
Этот проект ценен для исследователей и разработчиков, интересующихся обучением с малым числом примеров, метрическим обучением и глубоким обучением. Он служит практическим ресурсом для понимания и реализации прототипических сетей, предлагая основу для дальнейших экспериментов и разработок в сценариях с малым объемом данных. Код предоставляется под лицензией MIT, способствуя открытому доступу и сотрудничеству в сообществе ИИ.
- КатегорияИИ-модели и LLM
- Модель ценообразованияОткрытый код
- РазвёртываниеНа своём сервере
- ПлатформыLinux, macOS, Windows
Основные функции Прототипические сети
Реализация прототипических сетей для обучения с малым числом примеров
Код основан на статье NeurIPS 2017 "Prototypical Networks for Few-shot Learning"
Поддерживает обучение и оценку моделей обучения с малым числом примеров
Включает скрипты для настройки наборов данных (например, Omniglot)
Использует PyTorch для реализации модели
Предоставляет инструкции по установке зависимостей
Позволяет указывать пользовательские выходные каталоги для результатов обучения
Облегчает оценку модели с помощью предоставленных скриптов
Обучает метрическое пространство для классификации
Вычисляет классовые прототипы как средние значения вложенных примеров поддержки
Классифицирует новые примеры на основе расстояния до прототипов
Начало работы с Прототипические сети
Установите зависимости: Настройте PyTorch, torchvision и torchnet.
Установите пакет: Запустите 'python setup.py install' или 'python setup.py develop'.
Настройте набор данных: Загрузите набор данных Omniglot с помощью предоставленного скрипта.
Обучите модель: Выполните 'python scripts/train/few_shot/run_train.py', опционально указав каталог логов и использование GPU.
Повторно запустите в режиме trainval: Используйте 'python scripts/train/few_shot/run_trainval.py' для сохранения модели.
Оцените модель: Запустите 'python scripts/predict/few_shot/run_eval.py' с путем к модели.
Варианты использования Прототипические сети
- Классификация изображений с малым числом примеров
- Сценарии обучения с малым объемом данных
- Исследования в области метрического обучения
- Быстрое прототипирование
- Робототехника и ИИ-агенты
- Анализ медицинских изображений
