描述
LearningToCompare_FSL存储库托管了CVPR 2018会议上发表的“Learning to Compare: Relation Network for Few-Shot Learning”论文的PyTorch实现。该项目专门解决了研究中的少样本学习（FSL）组件，使用户能够复现和实验关系网络（Relation Network）模型。
阅读更多
该代码库旨在促进在流行的少样本学习基准数据集上的训练和评估。它包含了Omniglot和mini-Imagenet数据集的脚本。对于Omniglot实验，预先调整大小的图像直接包含在存储库中。对于mini-Imagenet，用户需要按照与MAML（Model-Agnostic Meta-Learning）框架类似的方法，下载数据集并使用提供的`proc_image.py`脚本进行预处理。
该存储库提供了清晰的命令行指令，用于在不同配置下训练模型，例如Omniglot和mini-Imagenet的各种“way”（类别数）和“shot”（每类样本数）。例如，用户可以训练Omniglot 5-way 1-shot或5-way 5-shot，以及mini-Imagenet的类似配置。训练脚本允许调整批次大小（batch size）参数，该参数可根据可用的GPU内存进行修改。存储库还指出，目前它加载预训练模型，并提供了如何删除这些模型以供希望从头开始训练的用户使用的说明。
还概述了测试过程，并提供了在特定少样本学习任务上评估训练模型的示例命令。该项目使用Python 2.7和PyTorch 0.3构建。对于对原始论文中的零样本学习（Zero-Shot Learning）部分感兴趣的用户，提供了相关存储库的单独链接。该项目根据MIT许可证授权，鼓励开放访问和修改。
该资源对于元学习和少样本学习领域的研究人员和实践者非常有价值，它提供了关系型元学习方法中基础论文的直接实现。它为理解和推进少样本学习技术提供了一个实用的工具。
- 类别AI 模型与大语言模型
- 定价模式开源
- 部署自托管
- 平台Linux
LearningToCompare_FSL的核心功能
用于少样本学习的关系网络的PyTorch实现
CVPR 2018论文《Learning to Compare》的代码
支持Omniglot数据集实验
支持mini-Imagenet数据集实验
包含训练少样本学习模型的脚本
包含测试少样本学习模型的脚本
提供预处理的Omniglot图像
用于mini-Imagenet的数据预处理脚本
可配置的训练参数（ways, shots, batch size）
从头开始训练或使用预训练模型的选项
MIT许可证
LearningToCompare_FSL入门
设置环境：安装Python 2.7和PyTorch 0.3
准备数据：下载mini-Imagenet，如果需要则运行`proc_image.py`
训练模型：使用所需的参数执行训练脚本（例如，`omniglot_train_one_shot.py`）
测试模型：运行测试脚本（例如，`omniglot_test_one_shot.py`）以评估性能
调整参数：根据GPU内存调整批次大小（`-b`）
探索零样本学习：访问README中提供的链接以获取ZSL实现
LearningToCompare_FSL的使用案例
- 少样本图像分类
- 元学习研究
- 模型复现
- 少样本学习基准测试
- 迁移学习探索
