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 33
点赞数 44
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

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
  • 44
    点赞
  • 踩
  • 33
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
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
元学习—高斯原型网络实现(Pytorch)
hei653779919的博客
10-09 2841
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
使用PyTorch实现原型网络(Prototype Network)来实现分类任务
qlkaicx的博客
04-11 2033
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。
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
卷积神经网络ResNet50训练CIFAR-100图像分类Pytorch实现
07-03
# 卷积神经网络ResNet50训练CIFAR-100图像分类Pytorch实现 1. 使用pytorch调用CIFAR-100数据集，首次训练自动下载； 2. 包含训练代码，调用resnet50模型进行训练，使用交叉熵损失和SGD优化器； 3. 包含训练了50 ...
Resnet50卷积神经网络训练MNIST手写数字图像分类 Pytorch训练代码
02-05
# Resnet50卷积神经网络训练MNIST手写数字图像分类 Pytorch训练代码 1. 使用Pytorch定义ReNet50网络模型； 2. 使用Pytorch加载MNIST数据集，首次运行自动下载； 3. 实现训练MNIST手写数字图像分类，训练过程显示loss...
pytorch复现DeepLab-v1图像分割网络项目代码
10-24
在本项目中，我们将基于PyTorch框架复现DeepLab-v1，并使用VGG16、ResNet50和ResNet101作为骨干网络。 **一、DeepLab-v1的核心概念** 1. **Atrous Convolution（空洞卷积）**：在传统的卷积操作中，滤波器会按照...
VGG卷积神经网络图像分类训练Pytorch代码 使用Cifar100数据集
01-28
# VGG卷积神经网络图像分类训练Pytorch代码 使用Cifar100数据集 1. VGG网络模型的Pytorch实现代码，包含特征提取器features和分类器classifier两部分，简明易懂； 2. 使用Cifar100数据集进行图像分类训练，初次训练...
apeiro：原型网络应用
02-15
apeiro：原型网络应用
AlexNet卷积神经网络图像分类Pytorch训练代码 使用Cifar100数据集
01-28
# AlexNet卷积神经网络图像分类Pytorch训练代码 使用Cifar100数据集 1. AlexNet网络模型的Pytorch实现代码，包含特征提取器features和分类器classifier两部分，简明易懂； 2. 使用Cifar100数据集进行图像分类训练，...
小样本图像分类从入门到毕业②：原型网络
qq_45233572的博客
10-07 597
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
05-19 690
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 1235
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...
【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
最新发布
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。
【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
使用PyTorch进行小样本学习的图像分类
deephub
10-30 6014
少样本学习是机器学习的一个子领域。它涉及到在只有少数训练样本和监督数据的情况下对新数据进行分类。只需少量的训练样本，我们创建的模型就可以相当好地执行。考虑以下场景:在医疗领域，对于一些不常见的疾病，可能没有足够的x光图像用于训练。对于这样的场景，构建一个小样本学习分类器是完美的解决方案。小样本的变化当我们谈论 FSL 时，我们通常指的是 N-way-K-Shot 分类。N 代表类别数，K 代表每个类中要训练的样本数。所以N-Shot Learning 被视为比所有其他概念更广泛的概念。
回顾原型网络代码①episode数据加载
F_aF_a的博客
10-20 2756
一般pytorch加载数据的固定格式是： dataset = MyDataset() # 第一步：构造Dataset对象 dataloader = DataLoader(dataset)# 第二步：通过DataLoader来构造迭代对象 num_epoches = 100 for epoch in range(num_epoches):# 第三步：逐步迭代数据 for img, label in dataloader: # 训练代码 但是小样本有episode这
原型网络pytorch
09-06
原型网络是一种基于神经网络的机器学习模型，可以在PyTorch框架中实现。它也被称为卷积神经网络（Convolutional Neural Networks，CNNs）的一种形式。原型网络的设计灵感来源于生物视觉系统，能够对图像进行高效的特征提取和图像识别。 原型网络的基本结构包括卷积层、池化层和全连接层。卷积层利用卷积操作从输入图像中提取特征，每个卷积核都负责检测图像中的不同特征。池化层则用于减少特征图的尺寸，并且提取最显著的特征。全连接层将特征映射到不同的类别，用于分类。 在PyTorch中，我们可以使用torch.nn模块来构建原型网络。首先，我们需要定义一个继承自torch.nn.Module的网络类，并在其中定义网络的组件，如卷积层和全连接层。然后，我们可以通过重写forward方法来定义网络的前向传播过程。在前向传播过程中，我们可以使用PyTorch提供的各种函数来实现卷积、池化和全连接操作。 为了训练原型网络，我们还需要定义一个损失函数和优化器。常用的损失函数包括交叉熵损失函数和均方差损失函数。我们可以使用torch.optim模块中的优化器来更新网络的权重，常用的优化器有随机梯度下降（SGD）和Adam。 在训练过程中，我们首先将输入数据传入网络中进行前向传播，然后计算损失函数的值。接着，通过反向传播计算损失函数对网络权重的梯度，并使用优化器更新网络的权重参数。重复这个过程直到达到设定的训练迭代次数。最后，我们可以使用训练好的网络对新的图像进行分类预测。 总之，原型网络是一种在PyTorch框架中实现的神经网络模型，它通过卷积、池化和全连接层来提取和分类图像特征。使用PyTorch的torch.nn模块和torch.optim模块，我们可以方便地构建、训练和利用原型网络进行图像分类任务。
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