prototypical networks

Prototypische Netzwerke für wenige Schüsse-Lernen

Code für die prototypischen NIPS 2017-Papiernetzwerke für nur wenige Lernen.

Wenn Sie diesen Code verwenden, zitieren Sie bitte unser Papier:

 @inproceedings{snell2017prototypical,
  title={Prototypical Networks for Few-shot Learning},
  author={Snell, Jake and Swersky, Kevin and Zemel, Richard},
  booktitle={Advances in Neural Information Processing Systems},
  year={2017}
 }

Training eines prototypischen Netzwerks

Abhängigkeiten installieren

• Dieser Code wurde auf Ubuntu 16.04 mit Python 3.6 und Pytorch 0,4 getestet.
• Installieren Sie Pytorch und Torchvision.
• Installieren Sie Torchnet, indem Sie pip install git+https://github.com/pytorch/tnt.git@master .
• Installieren Sie das Protonets -Paket, indem Sie python setup.py install oder python setup.py develop .

Richten Sie den Omniglot -Datensatz ein

• Führen Sie sh download_omniglot.sh aus.

Trainieren Sie das Modell

• Führen Sie python scripts/train/few_shot/run_train.py aus. Dadurch wird das Training ausgeführt und die Ergebnisse in results gelegt.
  • Sie können ein anderes Ausgabeverzeichnis angeben, indem Sie die Option --log.exp_dir EXP_DIR übergeben, wobei EXP_DIR Ihr gewünschtes Ausgabeverzeichnis ist.
  • Wenn Sie auf einer GPU ausgeführt werden, können Sie die Option --data.cuda übergeben.
• Neugeführt im Trainval-Modus python scripts/train/few_shot/run_trainval.py . Dadurch wird Ihr Modell standardmäßig in results/trainval gespeichert.

Auswerten

• Ausführen von Evaluierung als: python scripts/predict/few_shot/run_eval.py --model.model_path results/trainval/best_model.pt .