注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. miniImagenet_download百度云链接

  2. miniImagenet下载链接，找了好一圈，费了好大劲才下下来，这里就把百度云链接地址共享出来了。

  3. 所属分类：深度学习

    • 发布日期：2018-08-15
    • 文件大小：69byte
    • 提供者：qq_26564783

  1. miniImagenet 数据集 百度云 链接

  2. miniImagenet 百度云 下载地址 ,找了很久 大小:2个多G

  3. 所属分类：深度学习

    • 发布日期：2018-11-15
    • 文件大小：142byte
    • 提供者：u013579546

  1. Omniglot数据库，mnist_data数据库，cifa10_data数据库以及最近很火的miniImageNet

  2. 四个数据集下载链接。其中包括了Omniglot数据库，mnist_data数据库，cifa10_data数据库以及最近很火的miniImageNet数据库。

  3. 所属分类：机器学习

    • 发布日期：2019-07-06
    • 文件大小：135byte
    • 提供者：kingfoulin

  1. MAN-pytorch-源码

  2. 男人 论文的工具： 安装 conda version:4.6.14 python:3.7.4 pytorch:1.3.0 cuda:10.2 pip install -e . 数据集 微型图像网 要下载MiniImagenet数据集，请访问然后按照其中的说明进行操作。然后，在man / datasets / mini_imagenet.py中设置数据集在您的计算机中所处的路径。 火车 sh run_miniImageNet/WRN-train.sh 测试 sh run_miniImageNet/

  3. 所属分类：其它

    • 发布日期：2021-03-21
    • 文件大小：309kb
    • 提供者：weixin_42156940

  1. Few_shot_exp-源码

  2. 快速学习 该存储库的目的是包含干净，可读和经过测试的代码，以重现很少的学习研究成果。 该项目是用python 3.6和Pytorch编写的，并假定您具有GPU。 有关更多信息，请参见这些中型文章 设置 要求 列在requirements.txt 。最好在virtualenv中使用pip install -r requirements.txt 。 数据 将config.py的DATA_PATH变量编辑到存储Omniglot和miniImagenet数据集的位置。 获取数据并运行设置脚本后，您的文件

  3. 所属分类：其它

    • 发布日期：2021-03-21
    • 文件大小：554kb
    • 提供者：weixin_42104181

  1. maml4mlmi4:MLMI4模块的课程作业-源码

  2. 任务 复制以下结果的结果：模型不可知， C Finn，P Abbeel和S Levine，ICML，2017年 任务细目 正弦回归 全能分类 MiniImagenet分类 强化学习

  3. 所属分类：其它

    • 发布日期：2021-03-08
    • 文件大小：321kb
    • 提供者：weixin_42106765

  1. 在线持续学习-源码

  2. 在线持续学习 的官方资料库 （正在审查中） （AAAI 2021） 要求 创建一个虚拟环境 virtualenv online-cl 激活虚拟环境 source online-cl/bin/activate 安装套件 pip install -r requirements.txt 数据集 ###在线课程增量 拆分CIFAR10 拆分CIFAR100 CORe50-NC 分割Mini-ImageNet ###在线域增量 NonStationary-MiniImageNet（噪声，遮

  3. 所属分类：其它

    • 发布日期：2021-02-09
    • 文件大小：89kb
    • 提供者：weixin_42112685

  1. MiniImageNet数据集

  2. MiniImageNet数据集，百度云链接，1.9G大小

  3. 所属分类：互联网

    • 发布日期：2021-02-03
    • 文件大小：78byte
    • 提供者：sinat_38334130

  1. little-shot：用于少量学习机器学习项目的存储库-源码

  2. 快速学习 该存储库的目的是包含干净，可读和经过测试的代码，以重现很少的学习研究。 该项目是用python 3.6和Pytorch编写的，并假定您具有GPU。 有关更多信息，请参见这些中型文章 建立 要求 列在requirements.txt 。 最好在virtualenv中使用pip install -r requirements.txt 。 数据 将config.py的DATA_PATH变量编辑到存储Omniglot和miniImagenet数据集的位置。 获取数据并运行设置脚本后，您的

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：275kb
    • 提供者：weixin_42117150

  1. Few_Shot_Distribution_Calibration:[ICLR2021口头]少量学习的免费午餐-源码

  2. [ICLR2021口头]少量学习的免费午餐：分布校准 论文链接： : 智虎链接： ://zhuanlan.zhihu.com/p/344531704 骨干培训 我们使用与“ S2M2_R”相同的骨干网和培训策略。 请参阅进行骨干训练。 提取并保存功能 将主干训练为“ S2M2_R”后，提取以下特征： 创建一个空的“检查点”目录。 跑步： python save_plk.py --dataset [miniImagenet/CUB] 或者，您可以从链接中直接下载提取的特征/预训练模型

  3. 所属分类：其它

    • 发布日期：2021-03-31
    • 文件大小：356kb
    • 提供者：weixin_42153691

  1. e3bm:PyTorch实施“极少学习的历时经验贝叶斯合奏”（ECCV 2020）-源码

  2. 极少学习的历时经验贝叶斯合奏 该存储库包含论文“的历时”的PyTorch实现。 如果您对此存储库或相关文章有任何疑问，请随时或。 概括 介绍 少量学习旨在通过一些示例来训练有效的预测模型。 缺乏训练数据导致执行高方差或低置信度预测的模型较差。 在本文中，我们建议对时间经验贝叶斯模型（E 3 BM）的集合进行元学习，以实现可靠的预测。 “ Epoch-wise”意味着每个训练时期都有一个贝叶斯模型，其参数是专门学习和部署的。 “经验的”是指超参数，例如，用于学习和整合时代模型的超参数，是由超高级

  3. 所属分类：其它

    • 发布日期：2021-03-30
    • 文件大小：31kb
    • 提供者：weixin_42172572

  1. L2F:CVPR 2020论文“学习忘记元学习”的源代码-Source code learning

  2. L2F-为元学习而忘却的学习 孙gy柏，洪石吉，李庆姆 CVPR 2020论文“学习忘记元学习”的源代码 拟议的元学习 数据集准备 可以从提供的下载miniImageNet数据集。 下载后，将其放置在数据集文件夹中。 注：下载和使用miniImageNet数据集，你接受的条款和条件，发现 结果 请注意，ResNet12的报告结果以1的批量大小进行了训练，以适合11GB GPU内存。 拥有超过22GB的内存，具有ResNet12主干的模型可以以2的批量大小（5路5镜头分类的常用设置）进行训练

  3. 所属分类：其它

    • 发布日期：2021-03-25
    • 文件大小：591kb
    • 提供者：weixin_42123456

  1. meta-learning-lstm:此回购包含带有相同名称的科学论文的源代码-Source code learning

  2. 元学习lstm 此仓库包含以下论文的代码： : 依存关系 以下库是必需的： （使用来自提交'c1b2984c4c2dae085005d385996f4c0660173b27'的版本） 训练 对应于元训练，元验证和元测试的data/miniImagenet/放置在data/miniImagenet/ 。 下载相应的imagenet图像并将其放置在data/miniImagenet/目录下的名为images和place的文件夹中。 训练模型： th train/run-train.lua

  3. 所属分类：其它

    • 发布日期：2021-03-25
    • 文件大小：205kb
    • 提供者：weixin_42131261

  1. embedding-propagation:嵌入传播的代码库-源码

  2. 嵌入传播 适用于少量分类的平滑歧管 （ECCV2020） 嵌入传播可用于规范化中间特征，从而提高了泛化性能。 用法 将嵌入传播层添加到您的网络。 pip install git+https://github.com/ElementAI/embedding-propagation import torch from embedding_propagation import EmbeddingPropagation ep = EmbeddingPropagation () features = t

  3. 所属分类：其它

    • 发布日期：2021-03-20
    • 文件大小：125kb
    • 提供者：weixin_42126749