[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-wyharveychen--CloserLookFewShot":3,"tool-wyharveychen--CloserLookFewShot":64},[4,17,26,40,48,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},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。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},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。",107662,2,"2026-04-03T11:11:01",[13,14,15],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":23,"last_commit_at":32,"category_tags":33,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,34,35,36,15,37,38,13,39],"数据工具","视频","插件","其他","语言模型","音频",{"id":41,"name":42,"github_repo":43,"description_zh":44,"stars":45,"difficulty_score":10,"last_commit_at":46,"category_tags":47,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,38,37],{"id":49,"name":50,"github_repo":51,"description_zh":52,"stars":53,"difficulty_score":10,"last_commit_at":54,"category_tags":55,"status":16},519,"PaddleOCR","PaddlePaddle\u002FPaddleOCR","PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。\n\n面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。\n\nPaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。",74913,"2026-04-05T10:44:17",[38,14,13,37],{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":23,"last_commit_at":62,"category_tags":63,"status":16},2471,"tesseract","tesseract-ocr\u002Ftesseract","Tesseract 是一款历史悠久且备受推崇的开源光学字符识别（OCR）引擎，最初由惠普实验室开发，后由 Google 维护，目前由全球社区共同贡献。它的核心功能是将图片中的文字转化为可编辑、可搜索的文本数据，有效解决了从扫描件、照片或 PDF 文档中提取文字信息的难题，是数字化归档和信息自动化的重要基础工具。\n\n在技术层面，Tesseract 展现了强大的适应能力。从版本 4 开始，它引入了基于长短期记忆网络（LSTM）的神经网络 OCR 引擎，显著提升了行识别的准确率；同时，为了兼顾旧有需求，它依然支持传统的字符模式识别引擎。Tesseract 原生支持 UTF-8 编码，开箱即用即可识别超过 100 种语言，并兼容 PNG、JPEG、TIFF 等多种常见图像格式。输出方面，它灵活支持纯文本、hOCR、PDF、TSV 等多种格式，方便后续数据处理。\n\nTesseract 主要面向开发者、研究人员以及需要构建文档处理流程的企业用户。由于它本身是一个命令行工具和库（libtesseract），不包含图形用户界面（GUI），因此最适合具备一定编程能力的技术人员集成到自动化脚本或应用程序中",73286,"2026-04-03T01:56:45",[13,14],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":79,"owner_email":80,"owner_twitter":79,"owner_website":79,"owner_url":81,"languages":82,"stars":91,"forks":92,"last_commit_at":93,"license":94,"difficulty_score":10,"env_os":95,"env_gpu":95,"env_ram":95,"env_deps":96,"category_tags":102,"github_topics":79,"view_count":10,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":103,"updated_at":104,"faqs":105,"releases":136},396,"wyharveychen\u002FCloserLookFewShot","CloserLookFewShot","source code to ICLR'19, 'A Closer Look at Few-shot Classification' ","CloserLookFewShot 是复现 ICLR 2019 论文《A Closer Look at Few-shot Classification》的开源项目，致力于构建一个标准化的少样本分类测试平台。CloserLookFewShot 解决了少样本学习研究中算法对比困难、实验复现门槛高的问题，帮助团队高效开展实证分析。\n\n适合机器学习研究人员、深度学习开发者及高校学生使用。CloserLookFewShot 集成了 CUB、mini-ImageNet、Omniglot 等主流数据集，并支持 Matching Network、Prototypical Network、MAML 等多种经典算法框架。用户可以轻松切换数据集与方法，执行训练、特征提取及测试流程。其独特的集成化设计允许跨数据集实验，并提供预计算结果以便公平比较。对于希望在小样本条件下优化图像分类模型的技术人员来说，CloserLookFewShot 提供了便捷的代码基础与评估标准，能有效加速算法验证与研究进程。","# A Closer Look at Few-shot Classification\n\nThis repo contains the reference source code for the paper [A Closer Look at Few-shot Classification](https:\u002F\u002Farxiv.org\u002Fabs\u002F1904.04232) in International Conference on Learning Representations (ICLR 2019). In this project, we provide a integrated testbed for a detailed empirical study for few-shot classification.\n\n\n## Citation\nIf you find our code useful, please consider citing our work using the bibtex:\n```\n@inproceedings{\nchen2019closerfewshot,\ntitle={A Closer Look at Few-shot Classification},\nauthor={Chen, Wei-Yu and Liu, Yen-Cheng and Kira, Zsolt and Wang, Yu-Chiang and  Huang, Jia-Bin},\nbooktitle={International Conference on Learning Representations},\nyear={2019}\n}\n```\n\n## Enviroment\n - Python3\n - [Pytorch](http:\u002F\u002Fpytorch.org\u002F) before 0.4 (for newer vesion, please see issue #3 )\n - json\n\n## Getting started\n### CUB\n* Change directory to `.\u002Ffilelists\u002FCUB`\n* run `source .\u002Fdownload_CUB.sh`\n\n### mini-ImageNet\n* Change directory to `.\u002Ffilelists\u002FminiImagenet`\n* run `source .\u002Fdownload_miniImagenet.sh` \n\n(WARNING: This would download the 155G ImageNet dataset. You can comment out correponded line 5-6 in `download_miniImagenet.sh` if you already have one.) \n\n### mini-ImageNet->CUB (cross)\n* Finish preparation for CUB and mini-ImageNet and you are done!\n\n### Omniglot\n* Change directory to `.\u002Ffilelists\u002Fomniglot`\n* run `source .\u002Fdownload_omniglot.sh` \n\n### Omniglot->EMNIST (cross_char)\n* Finish preparation for omniglot first\n* Change directory to `.\u002Ffilelists\u002Femnist`\n* run `source .\u002Fdownload_emnist.sh`  \n\n### Self-defined setting\n* Require three data split json file: 'base.json', 'val.json', 'novel.json' for each dataset  \n* The format should follow   \n{\"label_names\": [\"class0\",\"class1\",...], \"image_names\": [\"filepath1\",\"filepath2\",...],\"image_labels\":[l1,l2,l3,...]}  \nSee test.json for reference\n* Put these file in the same folder and change data_dir['DATASETNAME'] in configs.py to the folder path  \n\n## Train\nRun\n```python .\u002Ftrain.py --dataset [DATASETNAME] --model [BACKBONENAME] --method [METHODNAME] [--OPTIONARG]```\n\nFor example, run `python .\u002Ftrain.py --dataset miniImagenet --model Conv4 --method baseline --train_aug`  \nCommands below follow this example, and please refer to io_utils.py for additional options.\n\n## Save features\nSave the extracted feature before the classifaction layer to increase test speed. This is not applicable to MAML, but are required for other methods.\nRun\n```python .\u002Fsave_features.py --dataset miniImagenet --model Conv4 --method baseline --train_aug```\n\n## Test\nRun\n```python .\u002Ftest.py --dataset miniImagenet --model Conv4 --method baseline --train_aug```\n\n## Results\n* The test results will be recorded in `.\u002Frecord\u002Fresults.txt`\n* For all the pre-computed results, please see `.\u002Frecord\u002Ffew_shot_exp_figures.xlsx`. This will be helpful for including your own results for a fair comparison.\n\n## References\nOur testbed builds upon several existing publicly available code. Specifically, we have modified and integrated the following code into this project:\n\n* Framework, Backbone, Method: Matching Network\nhttps:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Flow-shot-shrink-hallucinate \n* Omniglot dataset, Method: Prototypical Network\nhttps:\u002F\u002Fgithub.com\u002Fjakesnell\u002Fprototypical-networks\n* Method: Relational Network\nhttps:\u002F\u002Fgithub.com\u002Ffloodsung\u002FLearningToCompare_FSL\n* Method: MAML\nhttps:\u002F\u002Fgithub.com\u002Fcbfinn\u002Fmaml  \nhttps:\u002F\u002Fgithub.com\u002Fdragen1860\u002FMAML-Pytorch  \nhttps:\u002F\u002Fgithub.com\u002Fkaterakelly\u002Fpytorch-maml\n\n## FAQ\n* Q1 Why some of my reproduced results for CUB dataset are around 4~5% with you reported result? (#31, #34, #42)\n* A1 Sorry about my reported the results on the paper may run in different epochs or episodes, please see each issue for details.\n\n* Q2 Why some of my reproduced results for mini-ImageNet dataset are around 1~2% different with your reported results? (#17, #40, #41 #43)\n* A2 Due to random initialization, each training process could lead to different accuracy. Also, each test time could lead to different accuracy.\n\n* Q3 How do you decided the mean and the standard variation for dataset normalization? (#18, #39)\n* A3 I use the mean and standard variation from ImageNet, but you can use the ones calculated from your own dataset. \n\n* Q4 Do you have the mini-ImageNet dataset available without downloading the whole ImageNet? (#45 #29)\n* A4 You can use the dataset here https:\u002F\u002Fgithub.com\u002Foscarknagg\u002Ffew-shot, but you will need to modify filelists\u002FminiImagenet\u002Fwrite_miniImagenet_filelist.py.\n","# 深入探究少样本分类 (A Closer Look at Few-shot Classification)\n\n本仓库包含论文 [A Closer Look at Few-shot Classification](https:\u002F\u002Farxiv.org\u002Fabs\u002F1904.04232) 的参考源代码，该论文发表于国际学习表征会议 (ICLR) 2019。在此项目中，我们提供了一个集成的测试平台 (testbed)，用于对少样本分类 (few-shot classification) 进行详细的实证研究。\n\n\n## 引用\n如果您觉得我们的代码有用，请使用以下 bibtex 引用我们的工作：\n```\n@inproceedings{\nchen2019closerfewshot,\ntitle={A Closer Look at Few-shot Classification},\nauthor={Chen, Wei-Yu and Liu, Yen-Cheng and Kira, Zsolt and Wang, Yu-Chiang and  Huang, Jia-Bin},\nbooktitle={International Conference on Learning Representations},\nyear={2019}\n}\n```\n\n## 环境\n - Python3\n - [Pytorch](http:\u002F\u002Fpytorch.org\u002F) 0.4 之前版本（对于新版本，请参见 issue #3）\n - json\n\n## 开始使用\n### CUB\n* 进入目录 `.\u002Ffilelists\u002FCUB`\n* 运行 `source .\u002Fdownload_CUB.sh`\n\n### mini-ImageNet\n* 进入目录 `.\u002Ffilelists\u002FminiImagenet`\n* 运行 `source .\u002Fdownload_miniImagenet.sh` \n\n（警告：这将下载 155G 的 ImageNet 数据集。如果您已有该数据集，可以在 `download_miniImagenet.sh` 中注释掉第 5-6 行。） \n\n### mini-ImageNet->CUB (cross)\n* 完成 CUB 和 mini-ImageNet 的准备即可！\n\n### Omniglot\n* 进入目录 `.\u002Ffilelists\u002Fomniglot`\n* 运行 `source .\u002Fdownload_omniglot.sh` \n\n### Omniglot->EMNIST (cross_char)\n* 首先完成 omniglot 的准备\n* 进入目录 `.\u002Ffilelists\u002Femnist`\n* 运行 `source .\u002Fdownload_emnist.sh`  \n\n### 自定义设置\n* 每个数据集需要三个数据划分 json 文件：'base.json', 'val.json', 'novel.json'  \n* 格式应遵循   \n{\"label_names\": [\"class0\",\"class1\",...], \"image_names\": [\"filepath1\",\"filepath2\",...],\"image_labels\":[l1,l2,l3,...]}  \n参见 test.json 作为参考\n* 将这些文件放在同一文件夹中，并在 configs.py 中将 data_dir['DATASETNAME'] 更改为文件夹路径  \n\n## 训练\n运行\n```python .\u002Ftrain.py --dataset [DATASETNAME] --model [BACKBONENAME] --method [METHODNAME] [--OPTIONARG]```\n\n例如，运行 `python .\u002Ftrain.py --dataset miniImagenet --model Conv4 --method baseline --train_aug`  \n以下命令均遵循此示例，更多选项请参考 io_utils.py。\n\n## 保存特征\n在分类层之前保存提取的特征以提高测试速度。这不适用于 MAML (Model-Agnostic Meta-Learning)，但其他方法需要。\n运行\n```python .\u002Fsave_features.py --dataset miniImagenet --model Conv4 --method baseline --train_aug```\n\n## 测试\n运行\n```python .\u002Ftest.py --dataset miniImagenet --model Conv4 --method baseline --train_aug```\n\n## 结果\n* 测试结果将记录在 `.\u002Frecord\u002Fresults.txt` 中\n* 所有预计算的结果，请查看 `.\u002Frecord\u002Ffew_shot_exp_figures.xlsx`。这对于包含您自己的结果以便进行公平比较很有帮助。\n\n## 参考文献\n我们的测试平台基于几个现有的公开代码构建。具体来说，我们对以下代码进行了修改并集成到本项目中：\n\n* 框架，骨干网络 (Backbone), 方法：Matching Network (匹配网络)\nhttps:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Flow-shot-shrink-hallucinate \n* Omniglot 数据集，方法：Prototypical Network (原型网络)\nhttps:\u002F\u002Fgithub.com\u002Fjakesnell\u002Fprototypical-networks\n* 方法：Relational Network (关系网络)\nhttps:\u002F\u002Fgithub.com\u002Ffloodsung\u002FLearningToCompare_FSL\n* 方法：MAML\nhttps:\u002F\u002Fgithub.com\u002Fcbfinn\u002Fmaml  \nhttps:\u002F\u002Fgithub.com\u002Fdragen1860\u002FMAML-Pytorch  \nhttps:\u002F\u002Fgithub.com\u002Fkaterakelly\u002Fpytorch-maml\n\n## 常见问题\n* Q1 为什么我复现的 CUB 数据集结果约为 4~5%，而你们报告的结果不同？(#31, #34, #42)\n* A1 抱歉，我在论文中报告的结果可能是在不同的轮次 (epochs) 或回合 (episodes) 下运行的，详情请见各个 issue。\n\n* Q2 为什么我复现的 mini-ImageNet 数据集结果与你们报告的结果有 1~2% 的差异？(#17, #40, #41 #43)\n* A2 由于随机初始化，每次训练过程可能导致不同的准确率。此外，每次测试时间也可能导致不同的准确率。\n\n* Q3 你们是如何决定数据集归一化的均值和标准差的？(#18, #39)\n* A3 我使用的是来自 ImageNet 的均值和标准差，但您也可以使用从自己数据集中计算出的值。 \n\n* Q4 你们是否有无需下载整个 ImageNet 即可使用的 mini-ImageNet 数据集？(#45 #29)\n* A4 您可以使用这里的数据集 https:\u002F\u002Fgithub.com\u002Foscarknagg\u002Ffew-shot，但您需要修改 filelists\u002FminiImagenet\u002Fwrite_miniImagenet_filelist.py。","# CloserLookFewShot 快速上手指南\n\n本项目是 ICLR 2019 论文《A Closer Look at Few-shot Classification》的参考代码，提供了一个用于少样本分类（Few-shot Classification）实证研究的集成测试平台。支持多种主流模型与数据集。\n\n## 环境准备\n\n请确保您的开发环境满足以下要求：\n\n- **Python**: Python 3\n- **深度学习框架**: [PyTorch](http:\u002F\u002Fpytorch.org\u002F) (建议版本小于 0.4，新版本兼容性请参考 Issue #3)\n- **依赖库**: json (Python 标准库自带)\n\n## 数据准备\n\n项目提供了自动化脚本下载常用数据集。请在对应目录下运行 Shell 脚本进行准备。\n\n### 1. 下载数据集\n根据您的需求选择以下任一数据集：\n\n- **CUB 数据集**\n  ```bash\n  cd .\u002Ffilelists\u002FCUB\n  source .\u002Fdownload_CUB.sh\n  ```\n\n- **mini-ImageNet 数据集**\n  ```bash\n  cd .\u002Ffilelists\u002FminiImagenet\n  source .\u002Fdownload_miniImagenet.sh\n  ```\n  > **注意**: 此操作会下载约 155G 的 ImageNet 数据。如果您本地已有该数据集，可编辑 `download_miniImagenet.sh` 注释掉第 5-6 行。\n\n- **Omniglot 数据集**\n  ```bash\n  cd .\u002Ffilelists\u002Fomniglot\n  source .\u002Fdownload_omniglot.sh\n  ```\n\n- **EMNIST 数据集 (跨字符任务)**\n  需先完成 Omniglot 准备，然后执行：\n  ```bash\n  cd .\u002Ffilelists\u002Femnist\n  source .\u002Fdownload_emnist.sh\n  ```\n\n### 2. 自定义数据集设置\n若使用自有数据，需准备三个 JSON 文件：`base.json`, `val.json`, `novel.json`。格式如下：\n```json\n{\"label_names\": [\"class0\",\"class1\",...], \"image_names\": [\"filepath1\",\"filepath2\",...],\"image_labels\":[l1,l2,l3,...]}\n```\n将文件放入同一文件夹，并在 `configs.py` 中修改 `data_dir['DATASETNAME']` 指向该路径。\n\n## 基本使用\n\n所有命令均基于示例 `miniImagenet` 和 `Conv4` 骨干网络。更多参数选项请参考 `io_utils.py`。\n\n### 1. 训练模型\n```bash\npython .\u002Ftrain.py --dataset [DATASETNAME] --model [BACKBONENAME] --method [METHODNAME] [--OPTIONARG]\n```\n**示例**：\n```bash\npython .\u002Ftrain.py --dataset miniImagenet --model Conv4 --method baseline --train_aug\n```\n\n### 2. 保存特征 (可选)\n在分类层之前提取特征以加速测试（不适用于 MAML）。\n```bash\npython .\u002Fsave_features.py --dataset miniImagenet --model Conv4 --method baseline --train_aug\n```\n\n### 3. 测试评估\n```bash\npython .\u002Ftest.py --dataset miniImagenet --model Conv4 --method baseline --train_aug\n```\n\n### 4. 查看结果\n测试结果将记录在 `.\u002Frecord\u002Fresults.txt`。预计算结果可参考 `.\u002Frecord\u002Ffew_shot_exp_figures.xlsx` 以便进行公平对比。","某医疗影像初创公司的算法工程师面临罕见病样本稀缺问题，急需在小样本条件下验证分类模型的有效性。\n\n### 没有 CloserLookFewShot 时\n- 需要从零搭建不同模型的训练代码，重复造轮子且容易引入 Bug。\n- 数据预处理和划分标准不统一，导致不同算法间的实验结果难以横向对比。\n- 缺乏统一的评估指标记录，每次调整超参数都要手动整理大量表格数据。\n- 跨数据集迁移配置复杂，环境依赖冲突容易导致复现失败或运行报错。\n\n### 使用 CloserLookFewShot 后\n- 直接调用内置的基线、MAML 等主流方法，无需重复编写核心网络逻辑。\n- 支持自定义数据集 JSON 配置，轻松适配内部医疗图像数据格式与标签结构。\n- 自动提取特征并记录测试结果，大幅缩短实验迭代周期与推理等待时间。\n- 标准化实验流程确保复现性，方便团队内部快速共享最佳模型配置与经验。\n\nCloserLookFewShot 通过标准化的测试平台显著降低了小样本学习的研究门槛与工程落地成本。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fwyharveychen_CloserLookFewShot_982c2ad3.png","wyharveychen","Wei-Yu Chen","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fwyharveychen_d2b99acb.png","Ph.D. candidate in CMU ECE Image Science Lab starts from Fall 2018",null,"weiyuc@andrew.cmu.edu","https:\u002F\u002Fgithub.com\u002Fwyharveychen",[83,87],{"name":84,"color":85,"percentage":86},"Python","#3572A5",98.1,{"name":88,"color":89,"percentage":90},"Shell","#89e051",1.9,1160,269,"2026-04-01T15:34:49","NOASSERTION","未说明",{"notes":97,"python":98,"dependencies":99},"需通过 shell 脚本下载数据集（CUB、mini-ImageNet 等）；mini-ImageNet 准备过程可能涉及约 155G 原始数据下载；自定义数据集需修改 configs.py 并准备 base.json\u002Fval.json\u002Fnovel.json 文件；测试结果记录在 .\u002Frecord\u002Fresults.txt","Python3",[100,101],"torch\u003C0.4","json",[14,37],"2026-03-27T02:49:30.150509","2026-04-06T07:14:21.886328",[106,111,116,121,126,131],{"id":107,"question_zh":108,"answer_zh":109,"source_url":110},1467,"为什么我在 Omniglot 上无法达到论文报告的准确率？","这通常是因为训练或测试时的参数设置与论文不完全一致。建议尝试以下命令组合来复现结果：\n1. 训练：python3 train.py --dataset omniglot --model Conv4 --method baseline --num_classes 4112 --stop_epoch 5 --save_freq 5\n2. 保存特征：python3 save_features.py --dataset omniglot --model Conv4 --method baseline --save_iter 4\n3. 测试：python3 test.py --dataset omniglot --model Conv4 --method baseline --n_shot 1 --save_iter 4\n使用这些特定参数（如 stop_epoch 5 和 save_iter 4）有助于获得接近论文报告的准确率。","https:\u002F\u002Fgithub.com\u002Fwyharveychen\u002FCloserLookFewShot\u002Fissues\u002F14",{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},1468,"如何运行域适应测试（例如从 miniImagenet 迁移到 CUB）？","在命令行参数中使用 `--dataset cross` 即可启用域适应模式。具体步骤如下：\n1. python .\u002Ftrain.py --dataset cross --model Conv4 --method baseline --train_aug\n2. python .\u002Fsave_feature.py --dataset cross --model Conv4 --method baseline --train_aug\n3. python .\u002Ftest.py --dataset cross --model Conv4 --method baseline --train_aug\n如需更多细节，可检查 `io_utils.py` 和 `train.py` 中的实现逻辑。","https:\u002F\u002Fgithub.com\u002Fwyharveychen\u002FCloserLookFewShot\u002Fissues\u002F57",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},1469,"官方没有直接发布 MiniImageNet 数据集，哪里可以下载？","由于官方数据集较大，社区提供了替代下载链接。你可以参考 https:\u002F\u002Fgithub.com\u002Foscarknagg\u002Ffew-shot 仓库，其中包含了 MiniImageNet 的下载资源。","https:\u002F\u002Fgithub.com\u002Fwyharveychen\u002FCloserLookFewShot\u002Fissues\u002F29",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},1470,"我可以使用体积更小的 MiniImageNet 数据集吗？","可以，但需要手动修改代码以适配较小的数据集结构。你需要修改 `write_miniImagenet_filelist.py` 等相关脚本文件来生成正确的文件列表。建议参考其他用户关于修改代码和下载数据的讨论来获取具体指导。","https:\u002F\u002Fgithub.com\u002Fwyharveychen\u002FCloserLookFewShot\u002Fissues\u002F45",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},1471,"处理 Omniglot 数据时出现 `assert params.num_classes >= 1597` 错误怎么办？","该错误提示类别数量需要大于基础类的最大标签 ID。解决方法是在运行命令中添加 `--num_classes 1597` 参数，或者在代码中定义 `unm_classes = 1597`。例如：`python .\u002Ftrain.py --dataset cross_char --method baseline++ --num_classes 1597`。","https:\u002F\u002Fgithub.com\u002Fwyharveychen\u002FCloserLookFewShot\u002Fissues\u002F70",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},1472,"微调阶段和适应阶段的评估方式是否正确？支持集和查询集是否会重叠？","代码在每个 episode 中随机划分支持集和查询集是为了模拟少样本学习场景（如 3-way 5-shot）。目的是评估当目标任务训练数据仅包含少量类别和样本时的性能。因此通常只使用当前 episode 的支持集进行微调，并使用查询集测试，这样能保持与元测试阶段公平比较，避免使用整个测试集微调导致结果虚高。","https:\u002F\u002Fgithub.com\u002Fwyharveychen\u002FCloserLookFewShot\u002Fissues\u002F56",[]]