标注样本只有几张也能训模型李宏毅教程小样本学习实战指南【免费下载链接】leedl-tutorial《李宏毅深度学习教程》李宏毅老师推荐苹果书PDF下载地址https://github.com/datawhalechina/leedl-tutorial/releases项目地址: https://gitcode.com/GitHub_Trending/le/leedl-tutorial新任务只给你几张标注样本老板却要你明天出模型——普通深度学习这时候就傻了。《李宏毅深度学习教程》leedl-tutorial里就有专门的小样本学习作业用MAMLModel-Agnostic Meta-Learning模型无关的元学习算法在 Omniglot 手写体数据集上仅靠每类1 张样本就把分类模型调得能直接用。 场景钩子做医疗影像、手写体识别这类小众任务时标注数据往往就几十条。传统套路堆数据走不通硬训则过拟合到离谱。你真正需要的不是更大网络而是让模型学会怎么学见到几张新图几步之内就能适应新任务。这就是小样本学习要解决的问题。⚡ 项目能力速览这个教程把李宏毅老师课程精华整理成图文笔记再配 15 份从零写起的作业代码。小样本学习对应HW15 元学习用 PyTorch 完整实现 MAML并与迁移学习做同场对比。 快速上手克隆仓库git clone https://gitcode.com/GitHub_Trending/le/leedl-tutorial打开 HW15-MetaLearning.ipynb配好 Colab 环境Omniglot 数据随 Colab 挂载前几步已写好CNN 分类器、n-way k-shot任务采样、准确率计算核心任务按 notebook 里的 TODO 实现 First-Order MAML标注了 slides p.25 可参考再挑战原始 MAML把 solver 设为meta跑完整训练改test_inner_train_step微调输出 CSV 提交 Kaggle 排行榜 原理白话版MAML 像培训新员工模型有一组初始参数像员工入职前的底子。每来一个新任务先用 support 集那几张样本微调几步再干活——这叫内循环训练阶段则优化这个底子让它在任何新任务上几步就适应——这叫外循环。两层优化一个学具体任务一个学快速学会的能力。和迁移学习差在哪作业里BaseSolver就是迁移学习大量任务上预训练推理时再用 support 集微调。MAML 则是直接训练适应性本身。同一份数据、同一套评测两条路线跑下来谁强数字会说话。 效果与案例作业在 Omniglot 手写体上按5-way 1-shot5 个类别、每类仅 1 张样本配置MAML 跑30 个 epoch内循环学习率0.4meta 学习率0.001每个 meta-batch 含32 个任务对比的迁移学习只训5 个 epoch。测试集由 TA 提前采样OmniglotTest数据集不可改动保证 Kaggle 分数可比。️ 避坑指南你可能会把内外学习率设成一个值内循环用 0.4 这种大步长外循环才是 0.001差三个数量级别抄混。你可能会动测试集采样代码OmniglotTest是 TA 提前采样好的改了 Kaggle 分数就不准了能调的只有inner_train_step。你可能会先啃原始 MAML 卡住二阶导又绕又慢先实现 First-Order MAML 近似版跑通流程再回头升级。你可能会用常规 batch_size这里的 batch 是一批任务batch_size设成 n_way 才是一整个任务meta_batch_size 才是一批任务数。 延伸资源Homework/readme.md15 份作业的视频、代码、幻灯片索引docs/README.md全书结构、勘误与 PDF 下载配套阅读HW11-Adaptation.ipynb 领域自适应HW14-LifeLongMachineLearning.ipynb 终身学习跑通 MAML 后建议接着做 HW11 领域自适应样本少之外数据分布还变了那正是元学习的下一站。 一句话收尾小样本学习让你告别没数据就没法训的困境——现在打开 HW15-MetaLearning.ipynb跑第一个 cell。【免费下载链接】leedl-tutorial《李宏毅深度学习教程》李宏毅老师推荐苹果书PDF下载地址https://github.com/datawhalechina/leedl-tutorial/releases项目地址: https://gitcode.com/GitHub_Trending/le/leedl-tutorial创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考