文件名称：little-shot：用于少量学习机器学习项目的存储库
文件大小：275KB
文件格式：ZIP
更新时间：2024-02-23 23:00:23
machine-learning research pytorch maml meta-learning
快速学习 该存储库的目的是包含干净，可读和经过测试的代码，以重现很少的学习研究。 该项目是用python 3.6和Pytorch编写的，并假定您具有GPU。 有关更多信息，请参见这些中型文章 建立 要求 列在requirements.txt 。 最好在virtualenv中使用pip install -r requirements.txt 。 数据 将config.py的DATA_PATH变量编辑到存储Omniglot和miniImagenet数据集的位置。 获取数据并运行设置脚本后，您的文件夹结构应如下所示 DATA_PATH/ Omniglot/ images_background/ images_evaluation/ miniImageNet/ images_background/ images_evaluation/ Omniglot数据集。 从下载，将提取的文件放入DATA_PATH/Omniglot_Raw并运行scripts/prepare_omniglot.py miniImage
【文件预览】：
few-shot-master
----.gitignore(1KB)
----requirements.txt(1KB)
----experiments()
--------proto_nets.py(4KB)
--------experiments.txt(4KB)
--------matching_nets.py(4KB)
--------maml.py(5KB)
----assets()
--------proto_nets_diagram.png(33KB)
--------maml_diagram.png(21KB)
--------matching_nets_diagram.png(184KB)
----LICENSE(1KB)
----few_shot()
--------matching.py(5KB)
--------proto.py(3KB)
--------__init__.py(0B)
--------eval.py(2KB)
--------datasets.py(7KB)
--------models.py(9KB)
--------utils.py(4KB)
--------metrics.py(421B)
--------maml.py(5KB)
--------core.py(7KB)
--------callbacks.py(18KB)
--------train.py(5KB)
----scripts()
--------prepare_omniglot.py(3KB)
--------__init__.py(0B)
--------prepare_mini_imagenet.py(2KB)
----README.md(7KB)
----scratch.py(0B)
----config.py(211B)
----tests()
--------test_few_shot.py(3KB)
--------__init__.py(0B)
--------test_matching.py(2KB)
--------test_utils.py(5KB)
--------test_proto.py(2KB)
--------test_maml.py(5KB)