---

FSL-Mate 是一个用于小样本学习（FSL）的资源集合。

具体来说，FSL-Mate 目前包含：

• FewShotPapers：一个跟踪小样本学习研究进展的论文列表。
• PaddleFSL：一个基于飞桨的 Python 小样本学习库。

我们致力于不断更新 FSL-Mate，希望它能让小样本学习变得更加容易。

最新动态🔥

• [2025-10-14] 新增 CVPR 2025、ACL 2025 和 IJCAI 2025 上发表的小样本学习论文。
• [2025-07-17] 新增 CVPR 2024、ICML 2024、IJCAI 2024、ACL 2024、NeurIPS 2024、EMNLP 2024、ICCV 2024、ICLR 2025、WWW 2024-2025、KDD 2024-2025、AAAI 2024-2025、NAACL 2024-2025、SIGIR 2024-2025 上发表的小样本学习论文。

引用我们

如果您觉得我们的工作有所帮助，请引用我们的论文：

@article{wang2020generalizing,
  title={从少量样本中泛化：小样本学习综述},
  author={Wang, Yaqing and Yao, Quanming and Kwok, James T and Ni, Lionel M},
  journal={ACM 计算机科学综述},
  volume={53},
  number={3},
  pages={1--34},
  year={2020},
  publisher={ACM 纽约, 美国}
}

联系我们

我们欢迎对 FSL-Mate 的建议和反馈。请随时提交问题或联系 Yaqing Wang。

FSL-Mate 快速上手指南

FSL-Mate 是一个专注于小样本学习（Few-Shot Learning, FSL）的资源集合，包含最新的论文追踪列表 FewShotPapers 和基于 PaddlePaddle 的开发库 PaddleFSL。本指南将帮助您快速搭建环境并开始使用。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux (推荐 Ubuntu 18.04+), macOS 或 Windows (需配置 WSL)。
• Python 版本：Python 3.7 - 3.9。
• 深度学习框架：PaddlePaddle (飞桨) 2.0+。
• 依赖管理：pip 或 conda。

国内加速建议： 推荐使用清华源或百度源安装 PaddlePaddle 以获取更快的下载速度。

安装步骤

1. 安装 PaddlePaddle

根据您的 CUDA 版本选择对应的安装命令。若无 GPU，可安装 CPU 版本。

CPU 版本：

python -m pip install paddlepaddle -i https://pypi.tuna.tsinghua.edu.cn/simple

GPU 版本 (以 CUDA 11.2 为例)：

python -m pip install paddlepaddle-gpu==2.5.0 -i https://pypi.tuna.tsinghua.edu.cn/simple

(注：具体版本号请参考 PaddlePaddle 官网安装指南 以匹配您的显卡驱动)

2. 克隆 FSL-Mate 仓库

获取最新代码资源：

git clone https://github.com/tata1661/FSL-Mate.git
cd FSL-Mate

3. 安装 PaddleFSL 依赖

进入 PaddleFSL 目录并安装所需 Python 包：

cd PaddleFSL
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

基本使用

安装完成后，您可以直接使用 PaddleFSL 库构建小样本学习模型。以下是一个最简单的元训练（Meta-Training）示例，演示如何加载一个经典的 Prototypical Networks 模型并进行初始化。

import paddle
from paddlefsl.model_zoo import prototypical

# 1. 定义模型
# 创建一个用于小样本分类的原型网络模型
model = prototypical.Prototypical(encoder='conv4', way=5, shot=1)

# 2. 查看模型结构
print(model)

# 3. 准备优化器
optimizer = paddle.optimizer.Adam(learning_rate=0.001, parameters=model.parameters())

# 4. 模拟一次前向传播 (此处仅为示例，实际使用需配合 Dataset 和 Task Sampler)
# 假设输入数据形状为 [batch, way * shot, channels, height, width]
dummy_input = paddle.rand([4, 5, 3, 28, 28]) 
dummy_labels = paddle.randint(0, 5, shape=[4, 5])

# 执行前向计算
loss = model(dummy_input, dummy_labels)

print(f"Initial Loss: {loss.numpy()}")

进阶资源：

• 论文追踪：查看 FewShotPapers 目录获取 CVPR、ICML 等顶会的最新 FSL 论文列表。
• 更多示例：参考 PaddleFSL/examples 目录下的完整训练脚本。