
منتشرشده در: towardsdatascience به تاریخ ۱۵ ژوئن ۲۰۲۱
لینک منبع How to run (Model-Agnostic Meta-Learning) MAML algorithm
الگوریتمMAML کلاسی از الگوریتمهای فرا یادگیری است که توسط تحقیق استنفورد و دانشگاه برکلی دکتر چلسی فین ساخته شدهاست. MAML از ایده پشت این سوال که چه مقدار داده واقعا برای یادگیری در مورد چیزی مورد نیاز است، الهام گرفت. آیا میتوانیم الگوریتمها را آموزش دهیم تا یاد بگیریم چگونه یاد بگیریم؟
در چنین زمینهای، چالشهای کمی با الگوریتم های یادگیری ماشینی معمولی وجود دارد:
در این راستا، الگوریتمهای فرا یادگیری میتوانند برای رسیدگی به وظایف زیر طراحی شوند:
برگرفته از تحقیق اصلی چلسی فین:
الگوریتمMAML یک الگوریتم فرا یادگیری است که با هر مدل آموزشدیده با الگوریتم گرادیان نزولی سازگار است و مشکلات طبقهبندی، یادگیری تقویتی (RL) و رگرسیون را پوشش میدهد.
در حقیقت MAML به گونهای طراحی شدهاست که یک مدل را در انواع وظایف آموزش میدهد به طوری که میتواند یک کار یادگیری جدید را تنها با تعداد کمی از نمونههای آموزشی یاد بگیرد.
چند نکته مهم از MAML عبارتند از:
برپاسازی مساله برایMAML از مقاله اصلی باز تولید میشود:


این MAML یک حلقه خارجی به نام آموزش متا را معرفی میکند.




گیتهاب رپو از چلسی فین این کد را برای باز تولید نتایج MAML فراهم میکند. شما میتوانید از مراحل زیر برای باز تولید نتایج آن استفاده کنید:
sudo apt install virtualenv
virtualenv — python=python3.6 maml
source maml/bin/activate

۷. به پوشه فرعی data از پوشه maml بروید و از محتوای omniglot تا omniglot_resized کپی کنید. اجرای اسکریپت تغییر اندازه تصویر
cd maml/data
cp -r omniglot/* omniglot_resized/
cd omniglot_resized
python resize_images.py
۸. حالا، ما به دایرکتوری ریشه maml رپو مراجعه کرده و دو مثال را اجرا میکنیم:
a. مثال سینوسی:
python main.py --datasource=sinusoid --logdir=logs/sine/ --metatrain_iterations=70000 --norm=None --update_batch_size=10
b. مثالomniglot:
python main.py --datasource=omniglot --metatrain_iterations=60000 --meta_batch_size=32 --update_batch_size=1 --update_lr=0.4 --num_updates=1 --logdir=logs/omniglot5way/
کنترل هر مثال در log/ دایرکتوری ذخیره خواهد شد.
بهروزرسانی: من کشف کردم که یک اشکال در کدباز وجود دارد. من معتقدم که این اشکال ممکن است سهوا معرفی شدهباشند. در main.py، خط ۱۶۰ saver.save(sess, FLAGS.logdir + ‘/’ + exp_string + ‘/model’ + str(itr)) , itr ، متغیر itrتکراری حلقه for است و من معتقدم که دستور saver.save باید درون حلقهfor در انتهای حلقه اجرا شود نه بیرون حلقه.
از اینجا به بعد، من معتقدم که یک متخصص یادگیری ماشینی سطح متوسط باید بتواند پایپلاین را اصلاح کند تا نیازهای خود را برآورده سازد.
این متن با استفاده از ربات مترجم مقاله علم داده ترجمه شده و به صورت محدود مورد بازبینی انسانی قرار گرفته است.در نتیجه میتواند دارای برخی اشکالات ترجمه باشد.
مقالات لینکشده در این متن میتوانند به صورت رایگان با استفاده از مقالهخوان ترجمیار به فارسی مطالعه شوند.