[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-oscarknagg--few-shot":3,"tool-oscarknagg--few-shot":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},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",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},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",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},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",158594,2,"2026-04-16T23:34:05",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},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",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},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",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},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",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":78,"owner_email":79,"owner_twitter":80,"owner_website":81,"owner_url":82,"languages":83,"stars":88,"forks":89,"last_commit_at":90,"license":91,"difficulty_score":10,"env_os":92,"env_gpu":93,"env_ram":94,"env_deps":95,"category_tags":101,"github_topics":103,"view_count":32,"oss_zip_url":80,"oss_zip_packed_at":80,"status":17,"created_at":112,"updated_at":113,"faqs":114,"releases":144},8259,"oscarknagg\u002Ffew-shot","few-shot","Repository for few-shot learning machine learning projects","few-shot 是一个专注于小样本学习（Few-shot Learning）的开源项目，旨在提供清晰、可读且经过测试的代码，帮助开发者复现前沿的学术研究结果。该项目基于 Python 3.6 和 PyTorch 构建，主要解决了在训练数据极度稀缺的情况下，如何让机器学习模型依然能够高效识别新类别的核心难题。\n\n通过内置对 Omniglot 和 miniImageNet 等经典数据集的支持，few-shot 成功复现了“原型网络”（Prototypical Networks）和“匹配网络”（Matching Networks）等标志性算法。其独特的技术亮点在于提供了高度模块化的实验框架，用户只需调整少量参数（如支持样本数、查询样本数、距离度量方式等），即可灵活配置训练任务，快速验证不同超参数下的模型表现，并获取与论文发表结果高度接近的性能数据。\n\n这款工具非常适合人工智能研究人员、算法工程师以及深度学习爱好者使用。对于希望深入理解小样本学习机制、复现顶级会议论文成果，或需要在低资源场景下探索模型泛化能力的专业人士来说，few-shot 提供了一个坚实可靠的代码基准和实践起点，让复杂的理","few-shot 是一个专注于小样本学习（Few-shot Learning）的开源项目，旨在提供清晰、可读且经过测试的代码，帮助开发者复现前沿的学术研究结果。该项目基于 Python 3.6 和 PyTorch 构建，主要解决了在训练数据极度稀缺的情况下，如何让机器学习模型依然能够高效识别新类别的核心难题。\n\n通过内置对 Omniglot 和 miniImageNet 等经典数据集的支持，few-shot 成功复现了“原型网络”（Prototypical Networks）和“匹配网络”（Matching Networks）等标志性算法。其独特的技术亮点在于提供了高度模块化的实验框架，用户只需调整少量参数（如支持样本数、查询样本数、距离度量方式等），即可灵活配置训练任务，快速验证不同超参数下的模型表现，并获取与论文发表结果高度接近的性能数据。\n\n这款工具非常适合人工智能研究人员、算法工程师以及深度学习爱好者使用。对于希望深入理解小样本学习机制、复现顶级会议论文成果，或需要在低资源场景下探索模型泛化能力的专业人士来说，few-shot 提供了一个坚实可靠的代码基准和实践起点，让复杂的理论研究变得触手可及。","# Few-shot learning\n\nThe aim for this repository is to contain clean, readable and tested\ncode to reproduce few-shot learning research.\n\nThis project is written in python 3.6 and Pytorch and assumes you have\na GPU.\n\nSee these Medium articles for some more information\n1. [Theory and concepts](https:\u002F\u002Ftowardsdatascience.com\u002Fadvances-in-few-shot-learning-a-guided-tour-36bc10a68b77)\n2. [Discussion of implementation details](https:\u002F\u002Ftowardsdatascience.com\u002Fadvances-in-few-shot-learning-reproducing-results-in-pytorch-aba70dee541d)\n\n# Setup\n### Requirements\n\nListed in `requirements.txt`. Install with `pip install -r\nrequirements.txt` preferably in a virtualenv.\n\n### Data\nEdit the `DATA_PATH` variable in `config.py` to the location where\nyou store the Omniglot and miniImagenet datasets.\n\nAfter acquiring the\ndata and running the setup scripts your folder structure should look\nlike\n```\nDATA_PATH\u002F\n    Omniglot\u002F\n        images_background\u002F\n        images_evaluation\u002F\n    miniImageNet\u002F\n        images_background\u002F\n        images_evaluation\u002F\n```\n\n**Omniglot** dataset. Download from https:\u002F\u002Fgithub.com\u002Fbrendenlake\u002Fomniglot\u002Ftree\u002Fmaster\u002Fpython,\nplace the extracted files into `DATA_PATH\u002FOmniglot_Raw` and run\n`scripts\u002Fprepare_omniglot.py`\n\n**miniImageNet** dataset. Download files from\nhttps:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F0B3Irx3uQNoBMQ1FlNXJsZUdYWEE\u002Fview,\nplace in `data\u002FminiImageNet\u002Fimages` and run `scripts\u002Fprepare_mini_imagenet.py`\n\n### Tests (optional)\n\nAfter adding the datasets run `pytest` in the root directory to run\nall tests.\n\n# Results\n\nThe file `experiments\u002Fexperiments.txt` contains the hyperparameters I\nused to obtain the results given below.\n\n### Prototypical Networks\n\n![Prototypical Networks](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Foscarknagg_few-shot_readme_257d10399e33.png)\n\n\nRun `experiments\u002Fproto_nets.py` to reproduce results from [Prototpyical\nNetworks for Few-shot Learning](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1703.05175.pdf)\n(Snell et al).\n\n**Arguments**\n- dataset: {'omniglot', 'miniImageNet'}. Whether to use the Omniglot\n    or miniImagenet dataset\n- distance: {'l2', 'cosine'}. Which distance metric to use\n- n-train: Support samples per class for training tasks\n- n-test: Support samples per class for validation tasks\n- k-train: Number of classes in training tasks\n- k-test: Number of classes in validation tasks\n- q-train: Query samples per class for training tasks\n- q-test: Query samples per class for validation tasks\n\n\n|                  | Omniglot |     |      |      |\n|------------------|----------|-----|------|------|\n| **k-way**        | **5**    |**5**|**20**|**20**|\n| **n-shot**       | **1**    |**5**|**1** |**5** |\n| Published        | 98.8     |99.7 |96.0  |98.9  |\n| This Repo        | 98.2     |99.4 |95.8  |98.6  |\n\n|                  | miniImageNet|     |\n|------------------|-------------|-----|\n| **k-way**        | **5**       |**5**|\n| **n-shot**       | **1**       |**5**|\n| Published        | 49.4        |68.2 |\n| This Repo        | 48.0        |66.2 |\n\n### Matching Networks\n\nA differentiable nearest neighbours classifier.\n\n![Matching Networks](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Foscarknagg_few-shot_readme_3a48803db758.png)\n\nRun `experiments\u002Fmatching_nets.py` to reproduce results from [Matching\nNetworks for One Shot Learning](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1606.04080.pdf)\n(Vinyals et al).\n\n**Arguments**\n- dataset: {'omniglot', 'miniImageNet'}. Whether to use the Omniglot\n    or miniImagenet dataset\n- distance: {'l2', 'cosine'}. Which distance metric to use\n- n-train: Support samples per class for training tasks\n- n-test: Support samples per class for validation tasks\n- k-train: Number of classes in training tasks\n- k-test: Number of classes in validation tasks\n- q-train: Query samples per class for training tasks\n- q-test: Query samples per class for validation tasks\n- fce: Whether (True) or not (False) to use full context embeddings (FCE)\n- lstm-layers: Number of LSTM layers to use in the support set\n    FCE\n- unrolling-steps: Number of unrolling steps to use when calculating FCE\n    of the query sample\n\nI had trouble reproducing the results of this paper using the cosine\ndistance metric as I found the converge to be slow and final performance\ndependent on the random initialisation. However I was able to reproduce\n(and slightly exceed) the results of this paper using the l2 distance\nmetric.\n\n|                     | Omniglot|     |      |      |\n|---------------------|---------|-----|------|------|\n| **k-way**           | **5**   |**5**|**20**|**20**|\n| **n-shot**          | **1**   |**5**|**1** |**5** |\n| Published (cosine)  | 98.1    |98.9 |93.8  |98.5  |\n| This Repo (cosine)  | 92.0    |93.2 |75.6  |77.8  |\n| This Repo (l2)      | 98.3    |99.8 |92.8  |97.8   |\n\n|                        | miniImageNet|     |\n|------------------------|-------------|-----|\n| **k-way**              | **5**       |**5**|\n| **n-shot**             | **1**       |**5**|\n| Published (cosine, FCE)| 44.2        |57.0 |\n| This Repo (cosine, FCE)| 42.8        |53.6 |\n| This Repo (l2)         | 46.0        |58.4 |\n\n### Model-Agnostic Meta-Learning (MAML)\n\n![MAML](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Foscarknagg_few-shot_readme_fdfbf1d3fbe6.png)\n\nI used max pooling instead of strided convolutions in order to be\nconsistent with the other papers. The miniImageNet experiments using\n2nd order MAML took me over a day to run.\n\nRun `experiments\u002Fmaml.py` to reproduce results from [Model-Agnostic\nMeta-Learning](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1703.03400.pdf)\n(Finn et al).\n\n**Arguments**\n- dataset: {'omniglot', 'miniImageNet'}. Whether to use the Omniglot\n    or miniImagenet dataset\n- distance: {'l2', 'cosine'}. Which distance metric to use\n- n: Support samples per class for few-shot tasks\n- k: Number of classes in training tasks\n- q: Query samples per class for training tasks\n- inner-train-steps: Number of inner-loop updates to perform on training\n    tasks\n- inner-val-steps: Number of inner-loop updates to perform on validation\n    tasks\n- inner-lr: Learning rate to use for inner-loop updates\n- meta-lr: Learning rate to use when updating the meta-learner weights\n- meta-batch-size: Number of tasks per meta-batch\n- order: Whether to use 1st or 2nd order MAML\n- epochs: Number of training epochs\n- epoch-len: Meta-batches per epoch\n- eval-batches: Number of meta-batches to use when evaluating the model\n    after each epoch\n\n\nNB: For MAML n, k and q are fixed between train and test. You may need\nto adjust meta-batch-size to fit your GPU. 2nd order MAML uses a _lot_\nmore memory.\n\n|                  | Omniglot |     |      |      |\n|------------------|----------|-----|------|------|\n| **k-way**        | **5**    |**5**|**20**|**20**|\n| **n-shot**       | **1**    |**5**|**1** |**5** |\n| Published        | 98.7     |99.9 |95.8  |98.9  |\n| This Repo (1)    | 95.5     |99.5 |92.2  |97.7  |\n| This Repo (2)    | 98.1     |99.8 |91.6  |95.9  |\n\n|                  | miniImageNet|     |\n|------------------|-------------|-----|\n| **k-way**        | **5**       |**5**|\n| **n-shot**       | **1**       |**5**|\n| Published        | 48.1        |63.2 |\n| This Repo (1)    | 46.4        |63.3 |\n| This Repo (2)    | 47.5        |64.7 |\n\nNumber in brackets indicates 1st or 2nd order MAML.","# 少样本学习\n\n本仓库的目标是提供干净、易读且经过测试的代码，以复现少样本学习领域的研究成果。\n\n该项目使用 Python 3.6 和 PyTorch 编写，并假定您拥有 GPU。\n\n更多信息请参阅以下 Medium 文章：\n1. [理论与概念](https:\u002F\u002Ftowardsdatascience.com\u002Fadvances-in-few-shot-learning-a-guided-tour-36bc10a68b77)\n2. [实现细节讨论](https:\u002F\u002Ftowardsdatascience.com\u002Fadvances-in-few-shot-learning-reproducing-results-in-pytorch-aba70dee541d)\n\n# 设置\n### 需求\n\n详细列出在 `requirements.txt` 文件中。建议在虚拟环境中使用 `pip install -r requirements.txt` 进行安装。\n\n### 数据\n编辑 `config.py` 中的 `DATA_PATH` 变量，将其设置为您存储 Omniglot 和 miniImagenet 数据集的路径。\n\n获取数据并运行设置脚本后，您的文件夹结构应如下所示：\n```\nDATA_PATH\u002F\n    Omniglot\u002F\n        images_background\u002F\n        images_evaluation\u002F\n    miniImageNet\u002F\n        images_background\u002F\n        images_evaluation\u002F\n```\n\n**Omniglot** 数据集。从 https:\u002F\u002Fgithub.com\u002Fbrendenlake\u002Fomniglot\u002Ftree\u002Fmaster\u002Fpython 下载，将解压后的文件放入 `DATA_PATH\u002FOmniglot_Raw` 目录，并运行 `scripts\u002Fprepare_omniglot.py`。\n\n**miniImageNet** 数据集。从 https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F0B3Irx3uQNoBMQ1FlNXJsZUdYWEE\u002Fview 下载文件，放置于 `data\u002FminiImageNet\u002Fimages` 目录，并运行 `scripts\u002Fprepare_mini_imagenet.py`。\n\n### 测试（可选）\n\n添加数据集后，在根目录下运行 `pytest` 以执行所有测试。\n\n# 结果\n\n文件 `experiments\u002Fexperiments.txt` 包含了我用于获得以下结果的超参数。\n\n### 原型网络\n\n![原型网络](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Foscarknagg_few-shot_readme_257d10399e33.png)\n\n运行 `experiments\u002Fproto_nets.py` 可复现 [少样本学习中的原型网络](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1703.05175.pdf)（Snell 等人）的结果。\n\n**参数**\n- dataset: {'omniglot', 'miniImageNet'}。指定使用 Omniglot 还是 miniImagenet 数据集。\n- distance: {'l2', 'cosine'}。选择使用的距离度量。\n- n-train: 训练任务中每类的支持样本数。\n- n-test: 验证任务中每类的支持样本数。\n- k-train: 训练任务中的类别数。\n- k-test: 验证任务中的类别数。\n- q-train: 训练任务中每类的查询样本数。\n- q-test: 验证任务中每类的查询样本数。\n\n\n|                  | Omniglot |     |      |      |\n|------------------|----------|-----|------|------|\n| **k-way**        | **5**    |**5**|**20**|**20**|\n| **n-shot**       | **1**    |**5**|**1** |**5** |\n| 已发表           | 98.8     |99.7 |96.0  |98.9  |\n| 本仓库           | 98.2     |99.4 |95.8  |98.6  |\n\n|                  | miniImageNet|     |\n|------------------|-------------|-----|\n| **k-way**        | **5**       |**5**|\n| **n-shot**       | **1**       |**5**|\n| 已发表           | 49.4        |68.2 |\n| 本仓库           | 48.0        |66.2 |\n\n### 匹配网络\n\n一种可微分的最近邻分类器。\n\n![匹配网络](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Foscarknagg_few-shot_readme_3a48803db758.png)\n\n运行 `experiments\u002Fmatching_nets.py` 可复现 [用于一次学习的匹配网络](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1606.04080.pdf)（Vinyals 等人）的结果。\n\n**参数**\n- dataset: {'omniglot', 'miniImageNet'}。指定使用 Omniglot 还是 miniImagenet 数据集。\n- distance: {'l2', 'cosine'}。选择使用的距离度量。\n- n-train: 训练任务中每类的支持样本数。\n- n-test: 验证任务中每类的支持样本数。\n- k-train: 训练任务中的类别数。\n- k-test: 验证任务中的类别数。\n- q-train: 训练任务中每类的查询样本数。\n- q-test: 验证任务中每类的查询样本数。\n- fce: 是否使用完整上下文嵌入（FCE），True 表示使用，False 表示不使用。\n- lstm-layers: 支持集中 FCE 使用的 LSTM 层数。\n- unrolling-steps: 计算查询样本 FCE 时使用的展开步数。\n\n我在使用余弦距离度量时难以复现该论文的结果，因为收敛速度较慢，最终性能也依赖于随机初始化。然而，使用 L2 距离度量时，我不仅成功复现了该论文的结果，还略有超越。\n\n|                     | Omniglot|     |      |      |\n|---------------------|---------|-----|------|------|\n| **k-way**           | **5**   |**5**|**20**|**20**|\n| **n-shot**          | **1**   |**5**|**1** |**5** |\n| 已发表（余弦）      | 98.1    |98.9 |93.8  |98.5  |\n| 本仓库（余弦）      | 92.0    |93.2 |75.6  |77.8  |\n| 本仓库（L2）        | 98.3    |99.8 |92.8  |97.8   |\n\n|                        | miniImageNet|     |\n|------------------------|-------------|-----|\n| **k-way**              | **5**       |**5**|\n| **n-shot**             | **1**       |**5**|\n| 已发表（余弦，FCE）   | 44.2        |57.0 |\n| 本仓库（余弦，FCE）   | 42.8        |53.6 |\n| 本仓库（L2）          | 46.0        |58.4 |\n\n### 模型无关元学习 (MAML)\n\n![MAML](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Foscarknagg_few-shot_readme_fdfbf1d3fbe6.png)\n\n为了与其他论文保持一致，我使用了最大池化而不是步幅卷积。运行基于二阶 MAML 的 miniImageNet 实验花费了我超过一天的时间。\n\n运行 `experiments\u002Fmaml.py` 可以复现 [模型无关元学习](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1703.03400.pdf)（Finn 等人）中的结果。\n\n**参数**\n- dataset: {'omniglot', 'miniImageNet'}。指定使用 Omniglot 数据集还是 miniImagenet 数据集。\n- distance: {'l2', 'cosine'}。选择使用的距离度量。\n- n: 少样本任务中每类的支持样本数。\n- k: 训练任务中的类别数。\n- q: 训练任务中每类的查询样本数。\n- inner-train-steps: 在训练任务上执行的内循环更新次数。\n- inner-val-steps: 在验证任务上执行的内循环更新次数。\n- inner-lr: 内循环更新时使用的学习率。\n- meta-lr: 更新元学习器权重时使用的学习率。\n- meta-batch-size: 每个元批次的任务数量。\n- order: 指定使用一阶还是二阶 MAML。\n- epochs: 训练的总 epoch 数。\n- epoch-len: 每个 epoch 中的元批次数量。\n- eval-batches: 每个 epoch 结束后评估模型时使用的元批次数量。\n\n注意：对于 MAML，n、k 和 q 在训练和测试阶段是固定的。你可能需要调整 meta-batch-size 以适应你的 GPU。二阶 MAML 需要消耗更多的内存。\n\n|                  | Omniglot |     |      |      |\n|------------------|----------|-----|------|------|\n| **k-way**        | **5**    |**5**|**20**|**20**|\n| **n-shot**       | **1**    |**5**|**1** |**5** |\n| 已发表           | 98.7     |99.9 |95.8  |98.9  |\n| 本仓库 (1)       | 95.5     |99.5 |92.2  |97.7  |\n| 本仓库 (2)       | 98.1     |99.8 |91.6  |95.9  |\n\n|                  | miniImageNet|     |\n|------------------|-------------|-----|\n| **k-way**        | **5**       |**5**|\n| **n-shot**       | **1**       |**5**|\n| 已发表           | 48.1        |63.2 |\n| 本仓库 (1)       | 46.4        |63.3 |\n| 本仓库 (2)       | 47.5        |64.7 |\n\n括号中的数字表示使用一阶或二阶 MAML。","# Few-shot Learning 快速上手指南\n\n本指南旨在帮助开发者快速搭建并运行基于 PyTorch 的少样本学习（Few-shot Learning）复现代码，涵盖原型网络（Prototypical Networks）、匹配网络（Matching Networks）及 MAML 算法。\n\n## 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 \u002F macOS \u002F Windows\n*   **Python 版本**：Python 3.6+\n*   **深度学习框架**：PyTorch\n*   **硬件要求**：必须配备 **GPU** 以支持模型训练和推理\n*   **依赖管理**：建议创建虚拟环境（virtualenv 或 conda）\n\n## 安装步骤\n\n### 1. 克隆项目与安装依赖\n首先克隆代码库，并使用 `pip` 安装所需依赖包。国内用户推荐使用清华或阿里镜像源加速安装。\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Foscarknagg\u002Ffew-shot.git\ncd few-shot\n\n# 创建虚拟环境 (可选但推荐)\npython -m venv venv\nsource venv\u002Fbin\u002Factivate  # Windows 使用: venv\\Scripts\\activate\n\n# 安装依赖 (推荐使用国内镜像源)\npip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n### 2. 数据集配置与准备\n本项目支持 **Omniglot** 和 **miniImageNet** 数据集。您需要下载数据并调整目录结构。\n\n1.  **修改配置**：编辑 `config.py` 文件，将 `DATA_PATH` 变量修改为您存储数据集的本地绝对路径。\n2.  **下载并处理数据**：\n\n    *   **Omniglot**:\n        下载源码包至 `DATA_PATH\u002FOmniglot_Raw`，然后运行预处理脚本：\n        ```bash\n        python scripts\u002Fprepare_omniglot.py\n        ```\n\n    *   **miniImageNet**:\n        下载数据文件至 `data\u002FminiImageNet\u002Fimages`，然后运行预处理脚本：\n        ```bash\n        python scripts\u002Fprepare_mini_imagenet.py\n        ```\n\n3.  **最终目录结构**应如下所示：\n    ```text\n    DATA_PATH\u002F\n        Omniglot\u002F\n            images_background\u002F\n            images_evaluation\u002F\n        miniImageNet\u002F\n            images_background\u002F\n            images_evaluation\u002F\n    ```\n\n*(可选) 运行测试验证环境是否正确配置：*\n```bash\npytest\n```\n\n## 基本使用\n\n项目提供了三个主要实验脚本，分别对应三种经典的少样本学习算法。以下以复现 **原型网络 (Prototypical Networks)** 在 Omniglot 数据集上的结果为例。\n\n### 运行示例\n\n执行 `experiments\u002Fproto_nets.py` 脚本，通过命令行参数指定数据集、距离度量方式及任务设置（N-way K-shot）。\n\n```bash\npython experiments\u002Fproto_nets.py \\\n    --dataset omniglot \\\n    --distance l2 \\\n    --n-train 5 \\\n    --n-test 5 \\\n    --k-train 20 \\\n    --k-test 20 \\\n    --q-train 15 \\\n    --q-test 15\n```\n\n### 参数说明\n*   `--dataset`: 选择数据集 (`omniglot` 或 `miniImageNet`)\n*   `--distance`: 距离度量方式 (`l2` 或 `cosine`)\n*   `--n-train` \u002F `--n-test`: 训练\u002F验证任务中每类的支持集样本数 (Shot)\n*   `--k-train` \u002F `--k-test`: 训练\u002F验证任务中的类别数 (Way)\n*   `--q-train` \u002F `--q-test`: 训练\u002F验证任务中每类的查询集样本数\n\n### 其他算法\n*   **匹配网络 (Matching Networks)**: 运行 `experiments\u002Fmatching_nets.py`。注意：原作者发现使用 `l2` 距离比 `cosine` 收敛更快且效果更好。\n*   **MAML**: 运行 `experiments\u002Fmaml.py`。注意：二阶 MAML (`--order 2`) 显存占用极大，训练时间较长，请根据显卡性能调整 `--meta-batch-size`。","某医疗影像初创团队急需开发一个能识别罕见皮肤病变的 AI 模型，但手头仅有每类病症不到 10 张的标注图片，无法支撑传统深度学习训练。\n\n### 没有 few-shot 时\n- **数据收集陷入僵局**：为了凑齐传统模型所需的数千张样本，团队不得不耗费数月时间联系医院获取数据，严重拖慢产品上线进度。\n- **模型过拟合严重**：强行使用少量数据训练常规卷积神经网络，导致模型死记硬背训练集，在面对新患者图片时准确率几乎为零。\n- **研发成本高昂**：由于无法验证算法可行性，团队被迫雇佣大量人工进行数据标注和清洗，预算迅速超支且效果甚微。\n- **无法应对长尾类别**：对于极其罕见的病例，因完全缺乏足够样本，系统直接放弃识别，存在严重的医疗漏诊风险。\n\n### 使用 few-shot 后\n- **极速冷启动**：利用 few-shot 中的原型网络（Prototypical Networks）模块，团队仅用每类 5 张参考图（5-shot）即可构建分类器，将模型验证周期从数月缩短至几天。\n- **泛化能力显著提升**：通过度量学习机制，模型学会了“如何比较”而非“死记特征”，在 Omniglot 和 miniImageNet 验证过的架构下，对未见过的罕见病变展现出极高的识别鲁棒性。\n- **大幅降低数据依赖**：不再依赖海量标注数据，研究人员可直接使用现有的少量临床案例进行实验，节省了 90% 的数据采集与标注成本。\n- **灵活适配新病种**：当需要新增一种罕见病识别时，只需在支持集中添加几张新图片，无需重新训练整个网络，实现了真正的动态扩展。\n\nfew-shot 让团队在数据极度匮乏的困境中，成功将“不可能”的罕见病识别任务转化为可落地的高精度医疗辅助工具。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Foscarknagg_few-shot_00ca2f44.png","oscarknagg","Oscar Knagg","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Foscarknagg_c34294a8.jpg","I like to build novel things","G-Research","London, UK","oscar@knagg.co.uk",null,"https:\u002F\u002Fmedium.com\u002F@oknagg","https:\u002F\u002Fgithub.com\u002Foscarknagg",[84],{"name":85,"color":86,"percentage":87},"Python","#3572A5",100,1283,246,"2026-04-12T02:07:19","MIT","未说明","必需 (README 明确假设用户拥有 GPU)。具体型号和显存大小未说明，但文中提到二阶 MAML (2nd order MAML) 实验非常消耗内存 ('uses a lot more memory')，且可能需要调整 meta-batch-size 以适应 GPU。","未说明 (建议至少 16GB 以运行二阶 MAML 实验)",{"notes":96,"python":97,"dependencies":98},"1. 代码旨在复现少样本学习研究，主要依赖 PyTorch。\n2. 需要手动下载 Omniglot 和 miniImageNet 数据集，并运行提供的脚本进行预处理。\n3. 需在 config.py 中配置数据路径 (DATA_PATH)。\n4. 运行二阶 MAML 实验耗时较长（miniImageNet 数据集需超过一天）且显存占用极高。\n5. 建议使用虚拟环境 (virtualenv) 安装 requirements.txt 中的依赖。","3.6",[99,100],"torch","pytest",[15,14,102],"其他",[104,105,106,107,108,109,110,111],"machine-learning","pytorch","few-shot-learning","research","meta-learning","maml","omniglot","miniimagenet","2026-03-27T02:49:30.150509","2026-04-17T09:54:34.992499",[115,120,125,130,135,140],{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},36978,"运行 Prototypical Networks 时遇到 CUDA 显存不足（OOM）错误怎么办？","这通常是因为训练参数设置过大导致的。请尝试减小 `--k-train` 参数的值。例如，将命令中的 `--k-train` 设置为较小的数值（如 5）：\n`python proto_nets.py --dataset omniglot --k-train 5`\n调整该参数后通常可以成功运行并避免显存溢出。","https:\u002F\u002Fgithub.com\u002Foscarknagg\u002Ffew-shot\u002Fissues\u002F1",{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},36979,"使用 Matching Network 处理 Omniglot 数据集时出现输入尺寸不匹配的运行时错误（Runtime Error），如何解决？","该实现确实会将图像调整为 28x28，但这一步是在预处理脚本中完成的，而不是在数据加载时动态调整。\n解决方案是运行预处理脚本 `scripts\u002Fprepare_omniglot.py`。该脚本会读取原始的 Omniglot zip 文件，将其大小调整为 28x28，并通过旋转创建新类。`OmniglotDataset` 类直接读取这些预处理后的图像。\n如果你没有运行该脚本，也可以作为快速修复方案，在 `__getitem__` 方法中添加以下代码手动调整尺寸：\n`instance = skimage.transform.resize(instance, (28, 28), anti_aliasing=True)`","https:\u002F\u002Fgithub.com\u002Foscarknagg\u002Ffew-shot\u002Fissues\u002F2",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},36980,"如何在 miniImageNet 数据集上复现 MAML 的最佳性能？需要哪些具体的超参数？","要获得良好的性能，请使用原始论文中提供的确切超参数运行实验。以下是经过验证的命令示例（基于 PyTorch 1.0.1+）：\n`python -m experiments.maml --dataset miniImageNet --order 1 --n 1 --k 5 --q 15 --meta-batch-size 4 --inner-train-steps 5 --inner-val-steps 10 --inner-lr 0.01 --eval-batches 40 --epoch-len 100`\n关键参数包括：内部训练步数 (`inner-train-steps`) 为 5，内部验证步数 (`inner-val-steps`) 为 10，内部学习率 (`inner-lr`) 为 0.01。","https:\u002F\u002Fgithub.com\u002Foscarknagg\u002Ffew-shot\u002Fissues\u002F4",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},36981,"MAML 实现代码中 `loss.backward(retain_graph=True)` 这一行是否必要？是否可以移除以优化效率？","是的，这一行可以被移除。代码随后会使用 `torch.autograd.grad` 再次计算梯度，因此 `loss.backward(retain_graph=True)` 造成了重复计算。\n用户测试表明，对于一阶 MAML（First Order MAML），移除该行后代码依然可以正常工作，且能提高效率。","https:\u002F\u002Fgithub.com\u002Foscarknagg\u002Ffew-shot\u002Fissues\u002F6",{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},36982,"运行脚本时遇到 `ModuleNotFoundError: No module named 'config'` 错误，该如何解决？","此错误通常是因为 Python 无法在当前路径找到 `config.py` 模块。确保你在项目的根目录下运行脚本。如果问题仍然存在，可以尝试将当前目录添加到 PYTHONPATH，或者检查 `scripts\u002Fprepare_mini_imagenet.py` 中的导入语句，确保其能正确引用根目录下的 `config.py` 文件。有时需要在根目录下执行 `export PYTHONPATH=.` (Linux\u002FMac) 或在命令前加 `PYTHONPATH=. python3 ...`。","https:\u002F\u002Fgithub.com\u002Foscarknagg\u002Ffew-shot\u002Fissues\u002F24",{"id":141,"question_zh":142,"answer_zh":143,"source_url":129},36983,"MAML 训练日志中的 `categorical_accuracy` 是指训练准确率还是验证准确率？","在 `on_epoch_end` 函数中计算的 `categorical_accuracy` 指的是验证准确率（Validation Accuracy）。它是模型在验证集上的表现指标，而不是训练集的平均值。",[]]