prototypical networks

Réseaux prototypiques pour l'apprentissage à quelques coups

Code pour les réseaux prototypiques de papier NIPS 2017 pour l'apprentissage à quelques coups.

Si vous utilisez ce code, veuillez citer notre 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}
 }

Former un réseau prototypique

Installer des dépendances

• Ce code a été testé sur Ubuntu 16.04 avec Python 3.6 et Pytorch 0.4.
• Installez Pytorch et Torchvision.
• Installez Torchnet en exécutant pip install git+https://github.com/pytorch/tnt.git@master .
• Installez le package Protonets en exécutant python setup.py install ou python setup.py develop .

Configurer l'ensemble de données Omniglot

• Exécutez sh download_omniglot.sh .

Former le modèle

• Exécutez python scripts/train/few_shot/run_train.py . Cela organisera une formation et placera les résultats dans results .
  • Vous pouvez spécifier un répertoire de sortie différent en transmettant l'option --log.exp_dir EXP_DIR , où EXP_DIR est le répertoire de sortie souhaité.
  • Si vous utilisez un GPU, vous pouvez passer dans l'option --data.cuda .
• Re-run en mode Trainval python scripts/train/few_shot/run_trainval.py . Cela sauvera votre modèle dans results/trainval par défaut.

Évaluer

• Exécutez l'évaluation comme: python scripts/predict/few_shot/run_eval.py --model.model_path results/trainval/best_model.pt .