MAML复现实验结果汇总（取最好的情形）

最新推荐文章于 2024-08-27 21:29:22 发布
最新推荐文章于 2024-08-27 21:29:22 发布
阅读量2.8k 收藏 13
点赞数 2
分类专栏： 元学习 文章标签： 人工智能 计算机视觉 深度学习 机器学习 pytorch
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/wangkaidehao/article/details/105586056
版权
本文汇总了MAML在Omniglot和miniImageNet数据集上的复现实验结果，对比了原始论文与复现的精度差异，探讨了transductive Learning的影响。在5-way-1-shot和5-way-5-shot等场景下，复现结果接近原论文，但在20-way任务上存在差距。
摘要由CSDN通过智能技术生成

2020/5/10更新：

Reptile这篇论文中说，MAML的实验使用到了transductive Learning的实验设定。关于transductive Learning你可以理解成MAML作者汇报的是训练中query集的结果，而不是我们通常意义的测试集中query集的结果。
这个图表来自Reptile的那篇论文。
在这里插入图片描述
以下是原文：

下面是我进行的复现实验的实验结果。

除了20-way-N-shot的部分，其他实验结果基本都能对应上。

附：
MAML模型无关的元学习代码完整复现（Pytorch版）
MAML复现全部细节和经验教训（Pytorch）

Omniglot数据集

5-way-1-shot

MAML： 98.7 ± 0.4 % 98.7 \pm 0.4\% 98.7±0.4%

最低0.47元/天 解锁文章
miguemath
关注
专栏目录
元学习 模型 MAML pytorch 代码 复现 可直接运行
06-02
元学习 模型 MAML pytorch 代码 复现 可直接运行 元学习 模型 MAML pytorch 代码 复现 可直接运行
MAML复现全部细节和经验教训（Pytorch）
migue_math
04-14 1万+
我将在本文分享我复现maml时的经验和教训。
MAML-Pytorch代码学习分解
最新发布
m0_58285429的博客
08-27 714
运行该文件代码从此处开始执行。task_num表示一个batch中包含task_num个task，每个task内包含n_way个类别，每个类别包含k_spt个支持即样本、k_qry个查询集样本。meta_lr为模型参数最终（实际）更新的（outer）lr，update_lr为模型参数在每个任务训练时的更新（inner）lr。update_step为模型通过Training_Data训练时，模型更新的次数，也就是inner loop中，每个task喂给模型喂几次。
MAML模型无关的元学习代码完整复现（Pytorch版）
热门推荐
migue_math
03-01 2万+
1 引言 元学习是今年来新起的一种深度学习任务，它主要是想训练出具有强学习能力的神经网络。元学习领域一开始是一个小众的领域，之前很多年都没有很好的进展，直到Finn, C.在就读博士期间发表了一篇元学习的论文，也就是大名鼎鼎的MAML，它在回归，分类，强化学习三个任务上都达到了当时最好的性能。 我曾经在半年前发表过一篇MAML的学习笔记，博文地址点这里。 MAML出现之后算是掀起来了一波研究元学习...
MAML论文阅读笔记--回归实验
qq_49323609的博客
06-03 1732
MAML论文阅读笔记--回归实验 Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks
MAML——模型无关元学习(reptile)(Meta Learning) & Pytorch实现
hxxjxw的博客
08-20 3678
MAML,Model-Agnostic Meta-Learning, 模型无关元学习
MAML元学习算法(工程项目版)
m0_63642362的博客
06-21 487
论文复现赛，小样本学习，MAML元学习算法，多任务学习，omniglot数据集
元学习-MAML-资源整合
12-17
MAML（Model-Agnostic Meta-Learning，模型无关元学习）是元学习的一个著名框架，由Finch et al.在2017年提出，它特别关注学习良好的初始权重，以便在面对新任务时能进行快速的微调（fine-tuning）。 MAML的目标...
MAML-v1.ipynb
03-01
这个文件里时我复现的MAML，也就是模型无关的元学习方法的实验代码的复现，有需要的朋友可以下载下来参考一下。
浅析MAML算法1
08-03
实验结果表明，MAML算法可以快速收敛到最优解，并取得了良好的性能。例如，在few-shot回归任务中，MAML算法可以快速收敛到最优解，并取得了较低的误差。在few-shot图像分类任务中，MAML算法也取得了良好的性能。 ...
MAML::bear:MAML
03-10
MAML关于发展平台：Windows 10 32位和64位编程语言：ISO C ++最新草案标准（> C ++ 17） 编译器：MSVC ++ 16.0.1 IDE ：Visual Studio 2019特征代数： 复杂的双双曲编译时数学（正在进行中） SIMD（进行中） 要做的...
MAML方法论文
03-05
一篇介绍meta-learning方法的论文，发表于2017年，提出一种基于梯度的小样本学习方法
元学习入门详解（MAML算法及Reptile算法复现）
山里娃的博客
08-26 4921
元学习以及常用的元学习算法介绍
探索模型通用性：PyTorch中的MAML实现与超越
gitblog_00082的博客
06-09 290
探索模型通用性：PyTorch中的MAML实现与超越 去发现同类优质开源项目:https://gitcode.com/ 在这个数字时代，机器学习的进步正在推动我们走向新的技术高度。其中，模型通用性（Model-Agnostic Meta-Learning, 简称MAML）是一个重要的研究领域，它允许模型快速适应新任务，而无需大量数据。在这里，我们向您推荐一个精心设计的PyTorch实现——MAML...
小样本学习记录————MAML的改进MAML++
yunlong_G的博客
12-18 5039
本文是对论文How to train your maml论文的阅读体会，详细介绍了MAML中的问题和改进方法。
MAML原理与代码实例讲解
AI天才研究院
05-25 484
MAML原理与代码实例讲解 作者：禅与计算机程序设计艺术 1. 背景介绍 1.1 元学习与少样本学习 机器学习的终极目标是让机器具备像人类一样学习的能力。近年来，深度学习的兴起使得机器学习在图像识别、语音识别、自然语言处理等领域
探索元学习的边界：Reptile-Pytorch，一石多鸟的学习策略
gitblog_00031的博客
06-13 451
探索元学习的边界：Reptile-Pytorch，一石多鸟的学习策略 去发现同类优质开源项目:https://gitcode.com/ 在机器学习领域，快速适应新任务的能力是当前研究的热点之一。而元学习，作为这一领域的明星概念，正日益受到关注。今天，我们来深入探讨一个基于PyTorch实现的元学习框架——Reptile-Pytorch，它巧妙地复现了OpenAI提出的“Reptile”算法，并在著...
Meta Learning ——MAML代码
sinat_28375239的博客
09-02 1589
Meta Learning ——MAML
(二)元学习算法MAML简介及代码分析
机器人视觉感知
04-22 1万+
元学习算法MAML简介1.元学习(meta learning)2.模型无关元学习2.1 元学习问题建模2.2 MAML算法3.将MAML应用到回归分类任务上的算法流程参考资料 论文： Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks Chelsea 代码： https://github.com/cbfinn/maml ICML2017的一篇论文，作者Chelsea Finn是斯坦福的老师，一步小心去作者主页看了下，MIT和
评论 19
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