Maison > Article > Périphériques technologiques > La définition et l'application pratique de l'apprentissage en quelques étapes (FLS)
Few-shot learning (FSL), également connu sous le nom d'apprentissage low-shot (LSL), est une méthode d'apprentissage automatique caractérisée par l'utilisation d'ensembles de données limités pour la formation.
Une pratique courante en apprentissage automatique consiste à fournir autant de données que possible pour entraîner le modèle, car plus la quantité de données est grande, plus l'algorithme entraîné sera efficace. Cependant, cela augmente également les coûts. Afin de réduire le coût de l’analyse des données et de l’apprentissage automatique, l’objectif de l’apprentissage en quelques étapes est de réduire la quantité de données requises. En utilisant des techniques d'apprentissage en quelques étapes, nous pouvons former des modèles précis avec de plus petites quantités de données, économisant ainsi du temps et des ressources.
L'apprentissage en quelques étapes vise à permettre à l'apprentissage automatique de prédire la classe d'instance correcte lorsqu'un petit nombre d'exemples sont disponibles dans l'ensemble de données d'entraînement.
L'apprentissage zéro vise à prédire la bonne classe sans être exposé à des instances appartenant à cette classe dans l'ensemble de données d'entraînement.
L'apprentissage zéro coup et l'apprentissage quelques coups sont couramment utilisés dans les algorithmes de classification d'images, de segmentation sémantique, de génération d'images, de détection d'objets et de traitement du langage naturel.
Vision par ordinateur pour le traitement de la reconnaissance de caractères, la classification d'images, la reconnaissance d'objets, la reconnaissance de gestes, le suivi d'objets, l'étiquetage de pièces, la récupération d'images, la génération d'images, la description d'images, la reconnaissance d'emplacement de scène, la reconstruction de vue de forme d'objets 3D, la prédiction de mouvement, la détection d'événements, classement vidéo, etc.
Traitement du langage naturel (NLP) : analyse, traduction, complétion de phrases, classification des émotions, classification des intentions de l'utilisateur, classification de texte, etc.
Traitement audio : clonage vocal, conversion vocale, conversion vocale multilingue, etc.
Robot : apprendre à imiter des actions, apprendre les actions opérationnelles, la navigation visuelle, le contrôle continu, etc.
Autres applications : analyse de l'Internet des objets, ajustement de courbes mathématiques, raisonnement logique mathématique
Pour mettre en œuvre des projets d'apprentissage en quelques coups, les utilisateurs peuvent se référer aux bibliothèques/dépôts suivants en Python :
Pytorch – Torchmeta : Une bibliothèque pour les problèmes de classification et de régression en quelques coups qui peuvent facilement comparer plusieurs problèmes avec répétabilité.
FewRel : un ensemble de données d'extraction de relations à grande échelle contenant plus d'une centaine de relations et un grand nombre d'instances annotées dans différents domaines.
Meta-Transfer Learning : ce référentiel contient les implémentations TensorFlow et PyTorch de l'apprentissage par méta-transfert pour Few-Shot Learning.
Few Shot : un référentiel contenant du code propre, lisible et testé pour reproduire des recherches d'apprentissage à petite échelle.
Réseau prototype sur l'ensemble de données Omniglot : implémentation d'un "réseau prototype pour l'apprentissage avec quelques échantillons" via Pytorch.
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!