关于小样本图像分类之原型网络的pytorch复现心得笔记

已于 2024-03-31 14:43:51 修改
阅读量1.8k 收藏 34
点赞数 45
文章标签： 笔记 python 算法
于 2024-03-31 12:07:57 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/HairLose/article/details/137184065
版权
本文记录了作者在没有GPU环境下使用PyTorch复现原型网络的过程，包括配置Python环境、下载数据集、安装特定版本的库、处理导入问题以及训练和评估模型。详细描述了遇到的错误及解决方法，旨在帮助读者避免学习弯路。
摘要由CSDN通过智能技术生成

经过几个月的钻研学习，终于复现了原作者的代码（点击跳转原作者的Github）。我不会用GitHub上传代码，没学。

接下来的是，我的心得和遇到的错误的解决方法，只为后浪能少走弯路，当然有错误的地方欢迎斧正，我会虚心学习！

前提：了解python的基本用法，了解深度学习相关基础知识，了解Github如何下载代码，了解pycharm的使用，阅读原作者的论文，Prototypical Networks for Few-shot Learning.

1.配置pycharm的虚拟环境。

我的电脑没有英伟达的显卡，买不起 ，下面的配置均是CPU版本。

python == 3.6.13

torch == 1.7.0

torchvision == 0.8.0

torchaudio == 0.7.0

tqdm == 最新

torchnet == 最新

2.下载数据集

way1：如何在Windows环境下运行.sh文件
        1.先装个git

最低0.47元/天 解锁文章
HairLose
关注
PyTorch深度学习实战（3）——使用PyTorch构建神经网络
盼小辉丶的博客
06-13 6万+
PyTorch 是一个用于构建深度神经网络的库，具有灵活性和可扩展性，可以轻松自定义模型。在本节中，我们将使用 PyTorch 库构建神经网络，利用张量对象操作和梯度值计算更新网络权重，并利用 Sequential 类简化网络构建过程，最后还介绍了如何使用 save、load 方法保存和加载模型，以节省模型训练时间。
【Pytorch】prototypical network原型网络小样本图像分类简述及其实现
热门推荐
Jnchin的博客
10-04 1万+
基本概念 小样本学习(Few-Shot Learning, FSL)，顾名思义，就是能够仅通过一个或几个示例就快速建立对新概念的认知能力。这对于人类来说很简单，比如一个警察完全可以单凭一张照片就能在茫茫人海中认出犯罪嫌疑人。实现小样本学习的方式也有很多，比如：度量学习、数据增强、预训练模型、元学习等等。 元学习(meta learning或learning to learn)，对于一族待解决的多个任务，一个算法“如果随着经验和任务数量的增长，在每个任务上的表现得到改进”，则认为该算法能够学习如何学习，我
原形网络（Prototypical Networks）基于PyTorch的实现
01-03
原形网络（Prototypical Networks）基于PyTorch的实现 代码讲解原文:https://blog.csdn.net/weixin_41803874/article/details/92068250
使用PyTorch实现原型网络(Prototype Network)来实现分类任务
qlkaicx的博客
04-11 2281
这只是一个简单的示例代码，实际上原型网络的性能和表现取决于多个因素，如原型向量数量、学习率、特征维度等。此外，还有一些可以改进的地方，例如使用更高级的距离计算方式、优化更新策略等。
元学习—高斯原型网络实现(Pytorch)
hei653779919的博客
10-09 2891
元学习—高斯原型网络实现(Pytorch) 原理部分可以参考我之前的博客，元学习—高斯原型网络，本文在实现过程中，采用了基于半径的置信度计算，对于逆矩阵采用的softplus的计算方式。以评论文本分类作为基础任务，使用LSTM作为原型网络中的编码函数。下面给出具体的代码实现： 1. 数据处理部分(utils.py) #encoding=utf-8 ''' 以评论文本为例，进行计算。 ''' import torch import torch.nn as nn import numpy as np impor
Pytorch对CIFAR10的图像分类全套代码（包含多个模型）
03-23
用Pytorch实现我们的CIFAR10的图像分类 模型有LeNet，AlexNet，VGG，GoogLeNet，ResNet，DenseNet 在资源中有全部代码的学习资料，并且包括所有的权重，代码所有都可运行，可执行，可复现代码的结果 可以利用所有的...
图像超分辨率算法EDSR的Pytorch版本复现代码，适合新手，修改后无bug，含制作好的h5数据集和最优PSNR的模型权重文件
最新发布
04-12
pytorch环境：torch1.9.1+cuda11.1 再安装好所需的包即可运行。 文件目录： data：数据集和生成h5数据集的matlab文件 Set5：测试集Set5（matlab生成的.mat格式，不用matlab生成这个格式计算的PSNR有偏差，这样最准...
PyTorch-Networks:CNN网络的Pytorch实现
05-02
PyTorch模型 CNN网络的Pytorch实现 古典网络 AlexNet： VGG： ResNet： 初始V1： InceptionV2和InceptionV3： InceptionV4和Inception-ResNet： 轻量级网络 MobileNets： MobileNetV2： MobileNetV3： ShuffleNet： ShuffleNet V2： 挤压网 Xception 混合网 幽灵网 对象检测网络 固态硬盘： YOLO： YOLOv2： YOLOv3： FCOS： FPN： 视网膜网 对象作为点： FSAF： 中心网 FoveaBox 语义分割 FCN 快速SCNN LEDNet： 网络 鱼眼MODNet： 实例细分 极地面具 人脸识别和识别 面盒 LFFD 变脸网 人体姿势估计 堆叠式沙漏网络 简单基准 脂蛋白
apeiro：原型网络应用
02-15
apeiro：原型网络应用
原型网络Prototypical Network的python代码逐行解释，新手小白也可学会！！由于工作量大，准备整8个系列完事，-----系列5
qlkaicx的博客
11-18 766
承接系列4，此部分属于原型类中的计算原型，开始训练，计算损失函数。
小样本图像分类从入门到毕业②：原型网络
qq_45233572的博客
10-07 682
原型网络是小样本图像分类上重要的一篇论文，这篇工作所提供的方法可以说是有用且经典的。这篇博客主要分为两部分。
【飞桨论文复现赛-小样本学习】FSL-Baseline
m0_63642362的博客
05-19 708
转自AI Studio，原文链接：【飞桨论文复现赛-小样本学习】FSL-Baseline - 飞桨AI Studio 一、前言 本项目为百度论文复现赛《A Closer Look at Few-shot Classification》论文复现代码。 依赖环境： paddlepaddle-gpu2.2.2 python3.7 在miniImageNet数据集下训练和测试。 5-way Acc： 1-shot 5-shot 论文 48.2% 66.4% 复现
【开源分享】深度学习网络模型大全（基于TensorFlow和PyTorch的开源复现）
小苏打的学习博客
06-08 1296
github上有一个名为：deeplearning-models 的项目。居然这么多star，然后我就看了一下内容，真的很赞！迅速Mark，分享给大家~ 在介绍 deeplearning-models 项目之前，很必要介绍一下作者，因为真的太强了。 很难想象一个MLer：Sebastian Raschka，在github上居然有 9.7k Followers，这是 AI 领域 Followers...
原型网络(Prototypical Networks) 完整流程讲解【附小样本电影分类代码】
u013250861的博客
03-28 2421
1.1 本节引入在之前的的文章中，我们介绍了关于连体网络的相关概念，并且给出了使用Pytorch实现的基于连体网络的人脸识别网络的小样本的学习过程。在接下来的内容中，我们来继续介绍另外一种小样本学习的神经网络结构——原型网络。这种网络的特点是拥有能够不仅仅应用在当前数据集的泛化分类能力。原型网络的基本结构。原型网络算法描述。将原型网络应用于分类任务。1.2 原型网络引入相比于连体网络，原型网络是另外一种简单，高效的小样本的学习方式。与连体网络的学习目标类似。
【图像超分】论文复现：Pytorch实现FSRCNN，包含详细实验流程和与SRCNN的比较
畅游计算机视觉的海洋
03-12 1万+
请配合上述论文精读文章使用，效果更佳！不想理解原理，希望直接跑通然后应用到自己的图像数据的同学，请直接下载上面的代码，有训练好的模型，直接用即可。具体使用方式见代码中的README！有问题来本文评论区留言！准备数据集，以及数据预处理搭建网络模型设置参数并训练测试训练好的模型用训练好的模型测试自己的数据硬件环境：windows11+RTX 2060（比这个高肯定没问题，我这个配置本机跑500个epoch一点问题没有，一会就跑完。但超分自己的图像时，如果图像很大，可能有内存溢出的错误。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值