[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-RL-VIG--LibFewShot":3,"similar-RL-VIG--LibFewShot":90},{"id":4,"github_repo":5,"name":6,"description_en":7,"description_zh":8,"ai_summary_zh":8,"readme_en":9,"readme_zh":10,"quickstart_zh":11,"use_case_zh":12,"hero_image_url":13,"owner_login":14,"owner_name":15,"owner_avatar_url":16,"owner_bio":17,"owner_company":18,"owner_location":18,"owner_email":18,"owner_twitter":18,"owner_website":19,"owner_url":20,"languages":21,"stars":26,"forks":27,"last_commit_at":28,"license":29,"difficulty_score":30,"env_os":31,"env_gpu":31,"env_ram":31,"env_deps":32,"category_tags":35,"github_topics":38,"view_count":44,"oss_zip_url":18,"oss_zip_packed_at":18,"status":45,"created_at":46,"updated_at":47,"faqs":48,"releases":89},7382,"RL-VIG\u002FLibFewShot","LibFewShot","[TPAMI 2023] LibFewShot: A Comprehensive Library for Few-shot Learning.","LibFewShot 是一个专为小样本学习（Few-shot Learning）打造的综合性开源库，旨在让这一高难度技术变得简单易用。在人工智能领域，让模型仅凭少量样本就能学会识别新类别一直是个挑战，传统方法往往复现困难、代码分散。LibFewShot 通过统一框架，系统性地集成了三大类主流算法：包括基于微调的非情节式方法、基于元学习的方法以及基于度量学习的方法，涵盖了从经典的 MAML、ProtoNet 到最新的 Diffkendall、CPEA 等数十种前沿模型。\n\n该工具特别适合 AI 研究人员和开发者使用。对于研究者，它提供了详尽的复现配置和预训练模型，支持快速验证论文结果并进行公平对比；对于开发者，其模块化的设计和完善的中文文档大大降低了上手门槛，便于将小样本学习技术应用到实际项目中。LibFewShot 的核心亮点在于“全面”与“便捷”，它不仅消除了不同算法间的实现壁垒，还通过标准化的流程让用户能轻松切换和比较各种策略，是探索数据稀缺场景下模型训练的理想助手。","# [LibFewShot](https:\u002F\u002Farxiv.org\u002Fabs\u002F2109.04898)\nMake few-shot learning easy.\n\n\n[LibFewShot: A Comprehensive Library for Few-shot Learning](https:\u002F\u002Fwww.computer.org\u002Fcsdl\u002Fjournal\u002Ftp\u002F5555\u002F01\u002F10239698\u002F1Qck3o85t60).\nWenbin Li, Ziyi Wang, Xuesong Yang, Chuanqi Dong, Pinzhuo Tian, Tiexin Qin, Jing Huo, Yinghuan Shi, Lei Wang, Yang Gao, Jiebo Luo. In TPAMI 2023.\u003Cbr>\n\u003Cimg src='https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FRL-VIG_LibFewShot_readme_ad19b09264fa.png' width=1000\u002F>\n\n## Supported Methods\n### Non-episodic methods (a.k.a Fine-tuning based methods)\n+ [Baseline (ICLR 2019)](https:\u002F\u002Farxiv.org\u002Fabs\u002F1904.04232)\n+ [Baseline++ (ICLR 2019)](https:\u002F\u002Farxiv.org\u002Fabs\u002F1904.04232)\n+ [RFS (ECCV 2020)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2003.11539)\n+ [SKD (BMVC 2021)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2006.09785)\n+ [Negcos (ECCV 2020)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2003.12060)\n+ [S2M2 (WACV 2020)](https:\u002F\u002Farxiv.org\u002Fabs\u002F1907.12087)\n+ [Meta-Baseline (ICCV 2021)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2003.04390)\n+ [Diffkendall(NeurIPS 2023)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2307.15317)\n### Meta-learning based methods\n+ [MatchingNet (NeurIPS 2016)](https:\u002F\u002Farxiv.org\u002Fabs\u002F1606.04080)\n+ [MAML (ICML 2017)](https:\u002F\u002Farxiv.org\u002Fabs\u002F1703.03400)\n+ [Versa (NeurIPS 2018)](https:\u002F\u002Fopenreview.net\u002Fforum?id=HkxStoC5F7)\n+ [R2D2 (ICLR 2019)](https:\u002F\u002Farxiv.org\u002Fabs\u002F1805.08136)\n+ [LEO (ICLR 2019)](https:\u002F\u002Farxiv.org\u002Fabs\u002F1807.05960)\n+ [MTL (CVPR 2019)](https:\u002F\u002Farxiv.org\u002Fabs\u002F1812.02391)\n+ [ANIL (ICLR 2020)](https:\u002F\u002Farxiv.org\u002Fabs\u002F1909.09157)\n+ [IFSL(NeurIPS 2020)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2009.13000)\n+ [BOIL (ICLR 2021)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2008.08882)\n+ [MeTAL (ICCV 2021)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2110.03909)\n### Metric-learning based methods\n+ [ProtoNet (NeurIPS 2017)](https:\u002F\u002Farxiv.org\u002Fabs\u002F1703.05175)\n+ [RelationNet (CVPR 2018)](https:\u002F\u002Farxiv.org\u002Fabs\u002F1711.06025)\n+ [ConvaMNet (AAAI 2019)](https:\u002F\u002Fojs.aaai.org\u002F\u002Findex.php\u002FAAAI\u002Farticle\u002Fview\u002F4885)\n+ [DN4 (CVPR 2019)](https:\u002F\u002Farxiv.org\u002Fabs\u002F1903.12290)\n+ [CAN (NeurIPS 2019)](https:\u002F\u002Farxiv.org\u002Fabs\u002F1910.07677)\n+ [ATL-Net (IJCAI 2020)](https:\u002F\u002Fwww.ijcai.org\u002Fproceedings\u002F2020\u002F0100.pdf)\n+ [ADM (IJCAI 2020)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2002.00153)\n+ [DSN (CVPR 2020)](https:\u002F\u002Fopenaccess.thecvf.com\u002Fcontent_CVPR_2020\u002Fpapers\u002FSimon_Adaptive_Subspaces_for_Few-Shot_Learning_CVPR_2020_paper.pdf)\n+ [FEAT (CVPR 2020)](http:\u002F\u002Farxiv.org\u002Fabs\u002F1812.03664)\n+ [RENet (ICCV 2021)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2108.09666)\n+ [FRN (CVPR 2021)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2012.01506)\n+ [DeepBDC (CVPR 2022)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2204.04567)\n+ [MCL (CVPR 2022)](http:\u002F\u002Fopenaccess.thecvf.com\u002Fcontent\u002FCVPR2022\u002Fhtml\u002FLiu_Learning_To_Affiliate_Mutual_Centralized_Learning_for_Few-Shot_Classification_CVPR_2022_paper.html)\n+ [CPEA (ICCV 2023)](https:\u002F\u002Fopenaccess.thecvf.com\u002Fcontent\u002FICCV2023\u002Fpapers\u002FHao_Class-Aware_Patch_Embedding_Adaptation_for_Few-Shot_Image_Classification_ICCV_2023_paper.pdf)\n\n## Quick Installation\n\nPlease refer to [install.md](https:\u002F\u002Flibfewshot-en.readthedocs.io\u002Fen\u002Flatest\u002Finstall.html)([安装](https:\u002F\u002Flibfewshot-en.readthedocs.io\u002Fzh_CN\u002Flatest\u002Finstall.html)) for installation.\n\nComplete tutorials can be found at [document](https:\u002F\u002Flibfewshot-en.readthedocs.io\u002Fen\u002Flatest\u002F)([中文文档](https:\u002F\u002Flibfewshot-en.readthedocs.io\u002Fzh_CN\u002Flatest\u002Findex.html)).\n\n## Reproduction\nWe provide some validated configs in [reproduce](.\u002Freproduce\u002F), please refer to `.\u002Freproduce\u002F\u003CMethod_Name>\u002FREADME.md` for further infomations. The meanings of the symbols are as follows:\n\n> :book: The accuracies reproted by the papers.\n>\n> :computer: The accuracies reproted by ourselves.\n>\n> :arrow_down: Hyperlinks to download the checkpoints folder. (Containing `config.yaml`, `model_best.pth` and the `train\u002Ftest log`)\n>\n> :clipboard: Hyperlinks to the config file.\n\nYou can also find these checkpoints at [model_zoo](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Fu\u002F1\u002Ffolders\u002F16DWKKqjzALoq4qb8LZQ6oELD9SGlYWe_).\n\n## Datasets\n[Caltech-UCSD Birds-200-2011](https:\u002F\u002Fdata.caltech.edu\u002Frecords\u002F20098), [Standford Cars](https:\u002F\u002Fai.stanford.edu\u002F~jkrause\u002Fcars\u002Fcar_dataset.html), [Standford Dogs](http:\u002F\u002Fvision.stanford.edu\u002Faditya86\u002FImageNetDogs\u002Fmain.html), [*mini*ImageNet](https:\u002F\u002Farxiv.org\u002Fabs\u002F1606.04080v2), [*tiered*ImageNet](https:\u002F\u002Farxiv.org\u002Fabs\u002F1803.00676) and [WebCaricature](https:\u002F\u002Farxiv.org\u002Fabs\u002F1703.03230) are available at [Google Drive](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Fu\u002F1\u002Ffolders\u002F1SEoARH5rADckI-_gZSQRkLclrunL-yb0) and [百度网盘(提取码：yr1w)](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1M3jFo2OI5GTOpytxgtO1qA).\n\n## Contributing\nPlease feel free to contribute any kind of functions or enhancements, where the coding style follows PEP 8. Please kindly refer to [contributing.md](https:\u002F\u002Flibfewshot-en.readthedocs.io\u002Fen\u002Flatest\u002Fcontributing.html)([贡献代码](https:\u002F\u002Flibfewshot-en.readthedocs.io\u002Fzh_CN\u002Flatest\u002Fcontributing.html)) for the contributing guidelines.\n\n## License\nThis project is licensed under the MIT License. See LICENSE for more details.\n\n## Acknowledgement\nLibFewShot is an open source project designed to help few-shot learning researchers quickly understand the classic methods and code structures. We welcome other contributors to use this framework to implement their own or other impressive methods and add them to LibFewShot. This library can only be used for academic research. We welcome any feedback during using LibFewShot and will try our best to continually improve the library.\n\n## Citation\nIf you use this code for your research, please cite our paper.\n```\n@article{li2021LibFewShot,\ntitle = {LibFewShot: A Comprehensive Library for Few-Shot Learning},\nauthor={Li, Wenbin and Wang, Ziyi and Yang, Xuesong and Dong, Chuanqi and Tian, Pinzhuo and Qin, Tiexin and Huo Jing and Shi, Yinghuan and Wang, Lei and Gao, Yang and Luo, Jiebo},\njournal = {IEEE Transactions on Pattern Analysis & Machine Intelligence},\nyear = {2023},\nnumber = {01},\nissn = {1939-3539},\npages = {1-18}\n}\n```\n","# [LibFewShot](https:\u002F\u002Farxiv.org\u002Fabs\u002F2109.04898)\n让少样本学习变得简单。\n\n\n[LibFewShot：一个全面的少样本学习库](https:\u002F\u002Fwww.computer.org\u002Fcsdl\u002Fjournal\u002Ftp\u002F5555\u002F01\u002F10239698\u002F1Qck3o85t60)。\nWenbin Li, Ziyi Wang, Xuesong Yang, Chuanqi Dong, Pinzhuo Tian, Tiexin Qin, Jing Huo, Yinghuan Shi, Lei Wang, Yang Gao, Jiebo Luo. 载于 TPAMI 2023。\u003Cbr>\n\u003Cimg src='https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FRL-VIG_LibFewShot_readme_ad19b09264fa.png' width=1000\u002F>\n\n## 支持的方法\n### 非轮次方法（即基于微调的方法）\n+ [Baseline (ICLR 2019)](https:\u002F\u002Farxiv.org\u002Fabs\u002F1904.04232)\n+ [Baseline++ (ICLR 2019)](https:\u002F\u002Farxiv.org\u002Fabs\u002F1904.04232)\n+ [RFS (ECCV 2020)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2003.11539)\n+ [SKD (BMVC 2021)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2006.09785)\n+ [Negcos (ECCV 2020)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2003.12060)\n+ [S2M2 (WACV 2020)](https:\u002F\u002Farxiv.org\u002Fabs\u002F1907.12087)\n+ [Meta-Baseline (ICCV 2021)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2003.04390)\n+ [Diffkendall(NeurIPS 2023)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2307.15317)\n### 基于元学习的方法\n+ [MatchingNet (NeurIPS 2016)](https:\u002F\u002Farxiv.org\u002Fabs\u002F1606.04080)\n+ [MAML (ICML 2017)](https:\u002F\u002Farxiv.org\u002Fabs\u002F1703.03400)\n+ [Versa (NeurIPS 2018)](https:\u002F\u002Fopenreview.net\u002Fforum?id=HkxStoC5F7)\n+ [R2D2 (ICLR 2019)](https:\u002F\u002Farxiv.org\u002Fabs\u002F1805.08136)\n+ [LEO (ICLR 2019)](https:\u002F\u002Farxiv.org\u002Fabs\u002F1807.05960)\n+ [MTL (CVPR 2019)](https:\u002F\u002Farxiv.org\u002Fabs\u002F1812.02391)\n+ [ANIL (ICLR 2020)](https:\u002F\u002Farxiv.org\u002Fabs\u002F1909.09157)\n+ [IFSL(NeurIPS 2020)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2009.13000)\n+ [BOIL (ICLR 2021)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2008.08882)\n+ [MeTAL (ICCV 2021)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2110.03909)\n### 基于度量学习的方法\n+ [ProtoNet (NeurIPS 2017)](https:\u002F\u002Farxiv.org\u002Fabs\u002F1703.05175)\n+ [RelationNet (CVPR 2018)](https:\u002F\u002Farxiv.org\u002Fabs\u002F1711.06025)\n+ [ConvaMNet (AAAI 2019)](https:\u002F\u002Fojs.aaai.org\u002F\u002Findex.php\u002FAAAI\u002Farticle\u002Fview\u002F4885)\n+ [DN4 (CVPR 2019)](https:\u002F\u002Farxiv.org\u002Fabs\u002F1903.12290)\n+ [CAN (NeurIPS 2019)](https:\u002F\u002Farxiv.org\u002Fabs\u002F1910.07677)\n+ [ATL-Net (IJCAI 2020)](https:\u002F\u002Fwww.ijcai.org\u002Fproceedings\u002F2020\u002F0100.pdf)\n+ [ADM (IJCAI 2020)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2002.00153)\n+ [DSN (CVPR 2020)](https:\u002F\u002Fopenaccess.thecvf.com\u002Fcontent_CVPR_2020\u002Fpapers\u002FSimon_Adaptive_Subspaces_for_Few-Shot_Learning_CVPR_2020_paper.pdf)\n+ [FEAT (CVPR 2020)](http:\u002F\u002Farxiv.org\u002Fabs\u002F1812.03664)\n+ [RENet (ICCV 2021)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2108.09666)\n+ [FRN (CVPR 2021)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2012.01506)\n+ [DeepBDC (CVPR 2022)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2204.04567)\n+ [MCL (CVPR 2022)](http:\u002F\u002Fopenaccess.thecvf.com\u002Fcontent\u002FCVPR2022\u002Fhtml\u002FLiu_Learning_To_Affiliate_Mutual_Centralized_Learning_for_Few-Shot_Classification_CVPR_2022_paper.html)\n+ [CPEA (ICCV 2023)](https:\u002F\u002Fopenaccess.thecvf.com\u002Fcontent\u002FICCV2023\u002Fpapers\u002FHao_Class-Aware_Patch_Embedding_Adaptation_for_Few-Shot_Image_Classification_ICCV_2023_paper.pdf)\n\n## 快速安装\n\n请参阅 [install.md](https:\u002F\u002Flibfewshot-en.readthedocs.io\u002Fen\u002Flatest\u002Finstall.html)([安装](https:\u002F\u002Flibfewshot-en.readthedocs.io\u002Fzh_CN\u002Flatest\u002Finstall.html))以获取安装说明。\n\n完整的教程可在 [document](https:\u002F\u002Flibfewshot-en.readthedocs.io\u002Fen\u002Flatest\u002F)([中文文档](https:\u002F\u002Flibfewshot-en.readthedocs.io\u002Fzh_CN\u002Flatest\u002Findex.html))中找到。\n\n## 复现\n我们在 [reproduce](.\u002Freproduce\u002F) 中提供了一些经过验证的配置文件，请参阅 `.\u002Freproduce\u002F\u003CMethod_Name>\u002FREADME.md` 以获取更多信息。符号含义如下：\n\n> :book: 论文中报告的准确率。\n>\n> :computer: 我们自己报告的准确率。\n>\n> :arrow_down: 下载检查点文件夹的超链接。（包含 `config.yaml`、`model_best.pth` 和训练\u002F测试日志）\n>\n> :clipboard: 配置文件的超链接。\n\n您也可以在 [model_zoo](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Fu\u002F1\u002Ffolders\u002F16DWKKqjzALoq4qb8LZQ6oELD9SGlYWe_) 中找到这些检查点。\n\n## 数据集\n[Caltech-UCSD Birds-200-2011](https:\u002F\u002Fdata.caltech.edu\u002Frecords\u002F20098), [Standford Cars](https:\u002F\u002Fai.stanford.edu\u002F~jkrause\u002Fcars\u002Fcar_dataset.html), [Standford Dogs](http:\u002F\u002Fvision.stanford.edu\u002Faditya86\u002FImageNetDogs\u002Fmain.html), [*mini*ImageNet](https:\u002F\u002Farxiv.org\u002Fabs\u002F1606.04080v2), [*tiered*ImageNet](https:\u002F\u002Farxiv.org\u002Fabs\u002F1803.00676) 和 [WebCaricature](https:\u002F\u002Farxiv.org\u002Fabs\u002F1703.03230) 可在 [Google Drive](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Fu\u002F1\u002Ffolders\u002F1SEoARH5rADckI-_gZSQRkLclrunL-yb0) 和 [百度网盘（提取码：yr1w）](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1M3jFo2OI5GTOpytxgtO1qA) 上获取。\n\n## 贡献\n欢迎贡献任何功能或改进，代码风格请遵循 PEP 8。有关贡献指南，请参阅 [contributing.md](https:\u002F\u002Flibfewshot-en.readthedocs.io\u002Fen\u002Flatest\u002Fcontributing.html)([贡献代码](https:\u002F\u002Flibfewshot-en.readthedocs.io\u002Fzh_CN\u002Flatest\u002Fcontributing.html))。\n\n## 许可证\n本项目采用 MIT 许可证。详情请参阅 LICENSE 文件。\n\n## 致谢\nLibFewShot 是一个开源项目，旨在帮助少样本学习研究人员快速理解经典方法和代码结构。我们欢迎其他贡献者使用此框架实现自己的或其他优秀方法，并将其添加到 LibFewShot 中。该库仅可用于学术研究。我们欢迎在使用 LibFewShot 过程中提出任何反馈，并将尽最大努力不断改进该库。\n\n## 引用\n如果您在研究中使用此代码，请引用我们的论文。\n```\n@article{li2021LibFewShot,\ntitle = {LibFewShot: A Comprehensive Library for Few-Shot Learning},\nauthor={Li, Wenbin and Wang, Ziyi and Yang, Xuesong and Dong, Chuanqi and Tian, Pinzhuo and Qin, Tiexin and Huo Jing and Shi, Yinghuan and Wang, Lei and Gao, Yang and Luo, Jiebo},\njournal = {IEEE Transactions on Pattern Analysis & Machine Intelligence},\nyear = {2023},\nnumber = {01},\nissn = {1939-3539},\npages = {1-18}\n}\n```","# LibFewShot 快速上手指南\n\nLibFewShot 是一个全面的少样本学习（Few-Shot Learning）开源库，旨在帮助研究者快速复现经典算法并理解代码结构。本指南将协助您快速完成环境搭建与基础运行。\n\n## 1. 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Linux (推荐 Ubuntu 18.04+) 或 macOS。\n*   **Python 版本**：Python 3.7 或更高版本。\n*   **深度学习框架**：PyTorch (具体版本建议参考官方文档，通常兼容主流稳定版)。\n*   **其他依赖**：`numpy`, `scipy`, `scikit-learn`, `tqdm`, `tensorboardX` 等常用科学计算库。\n\n> **提示**：建议使用虚拟环境（如 `conda` 或 `venv`）以避免依赖冲突。\n\n## 2. 安装步骤\n\n### 方式一：从源码安装（推荐）\n\n克隆仓库并安装依赖：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FUCSC-VLAA\u002FLibFewShot.git\ncd LibFewShot\npip install -r requirements.txt\n```\n\n### 方式二：使用国内镜像加速\n\n如果您在中国大陆地区，推荐使用清华或阿里镜像源加速依赖安装：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FUCSC-VLAA\u002FLibFewShot.git\ncd LibFewShot\npip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n> **注意**：完整的安装细节和特定版本的兼容性说明，请参阅 [官方中文安装文档](https:\u002F\u002Flibfewshot-en.readthedocs.io\u002Fzh_CN\u002Flatest\u002Finstall.html)。\n\n## 3. 基本使用\n\nLibFewShot 支持多种少样本学习方法，包括基于微调（Non-episodic）、元学习（Meta-learning）和度量学习（Metric-learning）的方法。\n\n### 数据集准备\n\n首先，您需要下载支持的数据集（如 *mini*ImageNet, *tiered*ImageNet, CUB 等）。\n官方提供了 Google Drive 和百度网盘下载地址：\n*   **百度网盘**: [下载链接](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1M3jFo2OI5GTOpytxgtO1qA) (提取码：`yr1w`)\n\n下载后，请将数据集解压至项目目录下的 `data\u002F` 文件夹，或根据您的配置文件修改数据路径。\n\n### 运行示例\n\n库中提供了经过验证的配置文件，位于 `reproduce\u002F` 目录下。以下以运行 **ProtoNet** (一种经典的度量学习方法) 在 *mini*ImageNet 数据集上的 5-way 1-shot 任务为例：\n\n1.  **定位配置文件**：\n    找到对应的配置目录，例如 `.\u002Freproduce\u002FProtoNet\u002F`。\n\n2.  **执行训练\u002F测试命令**：\n    使用提供的脚本加载配置运行。假设主入口脚本为 `main.py`（具体脚本名请以仓库实际结构为准，通常为 `train.py` 或 `main.py`）：\n\n```bash\npython main.py --config .\u002Freproduce\u002FProtoNet\u002Fconfig.yaml\n```\n\n或者，如果仓库提供了特定的运行脚本：\n\n```bash\nsh scripts\u002Frun_protonet.sh\n```\n\n### 结果复现与模型加载\n\n*   **预训练模型**：您可以从 [Model Zoo](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Fu\u002F1\u002Ffolders\u002F16DWKKqjzALoq4qb8LZQ6oELD9SGlYWe_) 下载已训练好的检查点（包含 `config.yaml`, `model_best.pth` 及日志）。\n*   **符号说明**：\n    *   📕 : 论文报告的准确率\n    *   💻 : 本项目复现的准确率\n    *   ⬇️ : 检查点下载链接\n    *   📋 : 配置文件链接\n\n更多详细教程、API 文档及自定义方法指南，请访问 [LibFewShot 中文文档](https:\u002F\u002Flibfewshot-en.readthedocs.io\u002Fzh_CN\u002Flatest\u002Findex.html)。","某医疗 AI 初创团队需要快速开发一个能识别罕见皮肤病变的模型，但每种病症仅能收集到寥寥数张标注图片。\n\n### 没有 LibFewShot 时\n- **复现成本极高**：团队需手动从不同论文仓库拼凑代码，花费数周时间调试 MAML 或 ProtoNet 等算法的环境依赖，且常因版本冲突失败。\n- **基线对比困难**：缺乏统一框架，难以在相同数据划分和预处理下公平对比“微调类”与“元学习类”方法，导致选型靠猜。\n- **训练稳定性差**：小样本训练极易过拟合，团队需从零设计复杂的增强策略和正则化手段，实验结果波动大且不可复现。\n- **资源浪费严重**：每次尝试新算法都要重新编写数据加载器和评估脚本，大量算力消耗在重复的基础设施搭建上。\n\n### 使用 LibFewShot 后\n- **一键调用主流算法**：直接通过配置文件加载 TPAMI 2023 收录的 30+ 种 SOTA 方法（如 Baseline++、FEAT），将算法验证周期从数周缩短至数小时。\n- **标准化公平评测**：利用内置的统一数据接口和评估流程，迅速在 miniImageNet 或自定义医疗数据集上完成多模型横向对比，精准锁定最优方案。\n- **预置优化策略**：直接复用库中经过验证的训练技巧和解耦模块，显著提升了小样本下的模型收敛速度和泛化能力。\n- **无缝迁移部署**：借助提供的预训练权重和标准日志格式，团队快速将表现最佳的模型迁移至实际业务场景，加速产品落地。\n\nLibFewShot 通过提供标准化、全覆盖的小样本学习基础设施，让研发团队从繁琐的代码工程中解放出来，专注于解决数据稀缺的核心业务难题。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FRL-VIG_LibFewShot_5c5ad49e.png","RL-VIG","VIG@R&L","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FRL-VIG_ec4f7a9b.jpg","Visual Intelligence Group (VIG), Reasoning and Learning Research Group, Nanjing University.",null,"https:\u002F\u002Fcs.nju.edu.cn\u002Frl\u002F","https:\u002F\u002Fgithub.com\u002FRL-VIG",[22],{"name":23,"color":24,"percentage":25},"Python","#3572A5",100,1061,199,"2026-04-09T02:39:57","MIT",3,"未说明",{"notes":33,"python":31,"dependencies":34},"README 中未直接列出具体的运行环境需求（如操作系统、GPU 型号、内存大小、Python 版本及依赖库列表）。文档指引用户参考外部链接 install.md 获取完整的安装说明。该项目包含多种少样本学习方法（如 MAML, ProtoNet 等），通常此类深度学习项目需要 NVIDIA GPU 和 PyTorch 环境，但具体版本要求需查阅文档。提供的预训练模型和数据集存储在 Google Drive 和百度网盘。",[31],[36,37],"图像","开发框架",[39,40,41,42,43],"few-shot-learning","meta-learning","fine-tuning","image-classification","pytorch",2,"ready","2026-03-27T02:49:30.150509","2026-04-14T12:28:01.020341",[49,54,59,64,69,74,79,84],{"id":50,"question_zh":51,"answer_zh":52,"source_url":53},33130,"使用自定义数据集时报错：RuntimeError: stack expects each tensor to be equal size（张量尺寸不一致），如何解决？","请确认以下两点：1. 数据集组织格式是否严格按照文档规定，确保每个样本的图片尺寸一致；2. 验证集每个类别的样本量是否均大于 shot_num + way_num。该错误通常是因为小样本任务原理涉及逐像素比较或张量堆叠，要求输入图片的尺寸必须完全相等，且各类别样本数量需足够支持配置文件中的任务设置。","https:\u002F\u002Fgithub.com\u002FRL-VIG\u002FLibFewShot\u002Fissues\u002F84",{"id":55,"question_zh":56,"answer_zh":57,"source_url":58},33131,"为什么 5-way-1-shot 可以运行，但 5-way-5-shot 会报错或无法运行？","这是因为不同的 Shot 设置需要对应的配置文件。请在 `reproduce` 目录下分别查找并使用专门针对 5w1s（5-way-1-shot）和 5w5s（5-way-5-shot）的配置文件。不要直接修改参数，而是直接加载仓库提供的对应 YAML 配置文件以确保参数匹配。","https:\u002F\u002Fgithub.com\u002FRL-VIG\u002FLibFewShot\u002Fissues\u002F83",{"id":60,"question_zh":61,"answer_zh":62,"source_url":63},33132,"更换 Backbone（如从 Conv64F 换为 ResNet18）后运行 RENet 等方法报错，该如何解决？","更换 Backbone 时，必须对应修改分类头（Classifier）的参数，因为不同骨干网络输出的特征维度不同。分类头参数可以参考原论文推导或直接查看官方配置。例如，使用 ResNet18 时需确保 `feat_dim` 等参数与 ResNet18 的输出匹配（通常为 512）。如果不确定，建议先使用官方提供的完整配置文件（如 `config\u002Frenet.yaml` 配合对应的 backbone 配置），或暂时使用默认支持的 Conv64F 进行测试。","https:\u002F\u002Fgithub.com\u002FRL-VIG\u002FLibFewShot\u002Fissues\u002F63",{"id":65,"question_zh":66,"answer_zh":67,"source_url":68},33133,"在小样本学习中，Train、Val 和 Test 集的类别划分原则是什么？它们可以相交吗？","在标准的小样本学习设置中（如 miniImageNet），Train、Val 和 Test 的类别必须是互不相交的（Disjoint）。Train 和 Val 属于基类（Base Classes），用于训练和验证模型；Test 属于新类（Novel Classes），用于最终评估泛化能力。Val 和 Test 也不能相交。如果是实际业务应用需要微调，建议策略包括：1. 从基类中划分一部分作为 Train 微调，剩余作为 Val；2. 使用全部基类微调，并从新类数据中选取部分样本作为测试（需额外标注）。切勿将训练类与测试类混合。","https:\u002F\u002Fgithub.com\u002FRL-VIG\u002FLibFewShot\u002Fissues\u002F78",{"id":70,"question_zh":71,"answer_zh":72,"source_url":73},33134,"在 Google Colab 或 Jupyter Notebook 中运行时看不到训练进度日志或实时输出，怎么办？","这通常是由于 Colab 或 Jupyter 环境的限制导致的。解决方法有两种：1. 在单元格开头添加魔法命令 `%%python`，然后导入并运行代码；2. 推荐直接在 Shell 中运行脚本，在 Colab 中使用 `!python3 run_trainer.py` 命令执行，而不是在 Python 单元格中导入模块运行。LibFewShot 设计为通过 Shell 命令运行以获得最佳日志输出效果。","https:\u002F\u002Fgithub.com\u002FRL-VIG\u002FLibFewShot\u002Fissues\u002F42",{"id":75,"question_zh":76,"answer_zh":77,"source_url":78},33135,"运行除 test_install.yaml 以外的方法时出现关于符号链接（symlink）或文件系统的错误，如何修复？","这可能是由操作系统或文件系统的不确定行为引起的。解决方案包括：1. 拉取最新的代码版本，维护者已在后续提交中移除了创建符号链接的逻辑以避免此错误；2. 临时解决方法是手动注释掉 `core\u002Ftrainer.py` 文件中的第 299 行和第 307 行代码。建议优先更新代码库。","https:\u002F\u002Fgithub.com\u002FRL-VIG\u002FLibFewShot\u002Fissues\u002F15",{"id":80,"question_zh":81,"answer_zh":82,"source_url":83},33136,"复现结果与论文表格中的数据不一致（例如准确率偏低），可能是什么原因？","结果差异通常源于使用了不同的配置文件。请检查您使用的是 `Reproduce` 目录下的配置文件还是对应论文表格（如 `Table2`）的专用配置文件。不同配置（如预训练策略、超参数）会导致显著的性能差异。为确保一致性，建议直接复制 `modelzoo` 中提供的对应配置文件，并检查是否有未授权的代码修改。","https:\u002F\u002Fgithub.com\u002FRL-VIG\u002FLibFewShot\u002Fissues\u002F109",{"id":85,"question_zh":86,"answer_zh":87,"source_url":88},33137,"DeepBDC 方法复现时准确率低于预期，且训练中断后恢复训练导致 Loss 不下降，如何处理？","如果在预训练或蒸馏过程中因硬件问题中断，恢复训练（resume_train）时可能出现学习率调度器状态不同步的问题（例如 Log 显示学习率已变化但 Loss 未降）。建议在重训时，在 `lr_scheduler` 配置中添加 `last_epoch` 参数以正确恢复学习率状态。此外，确保使用的配置文件与官方提供的复现设置完全一致，并对比官方 Log 中的 Train_Acc 曲线。","https:\u002F\u002Fgithub.com\u002FRL-VIG\u002FLibFewShot\u002Fissues\u002F71",[],[91,101,109,118,126,135],{"id":92,"name":93,"github_repo":94,"description_zh":95,"stars":96,"difficulty_score":30,"last_commit_at":97,"category_tags":98,"status":45},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,"2026-04-06T06:32:30",[99,37,36,100],"Agent","数据工具",{"id":102,"name":103,"github_repo":104,"description_zh":105,"stars":106,"difficulty_score":30,"last_commit_at":107,"category_tags":108,"status":45},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[37,36,99],{"id":110,"name":111,"github_repo":112,"description_zh":113,"stars":114,"difficulty_score":44,"last_commit_at":115,"category_tags":116,"status":45},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",154349,"2026-04-13T23:32:16",[37,99,117],"语言模型",{"id":119,"name":120,"github_repo":121,"description_zh":122,"stars":123,"difficulty_score":44,"last_commit_at":124,"category_tags":125,"status":45},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108322,"2026-04-10T11:39:34",[37,36,99],{"id":127,"name":128,"github_repo":129,"description_zh":130,"stars":131,"difficulty_score":44,"last_commit_at":132,"category_tags":133,"status":45},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[134,99,36,37],"插件",{"id":136,"name":137,"github_repo":138,"description_zh":139,"stars":140,"difficulty_score":44,"last_commit_at":141,"category_tags":142,"status":45},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[134,37]]