#few-shot-learning Repositories
Entdecke 41 aktive Open-Source-GitHub-Repositories, die mit #few-shot-learning getaggt sind und insgesamt 94,558 Sterne gesammelt haben (durchschnittlich 2,306 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist jindongwang/transferlearning mit 14,330 Sternen.
Insgesamt 41 Repositories
Transfer Learning / Domain Adaptation / Domain Generalization / Multi-Task Learning usw. Papers, Codes, Datasets, Anwendungen, Tutorials. - Transfer Learning
Eine Bibliothek von Agent Skills, die für die Arbeit mit dem Stitch MCP-Server entwickelt wurde. Jede Skill folgt dem offenen Standard Agent Skills für die Kompatibilität mit Coding-Agenten wie Antigravity, Gemini CLI, Claude Code, Cursor.
22 Prompt-Engineering-Techniken mit praktischen Jupyter-Notebook-Tutorials, von grundlegenden Konzepten bis zu fortgeschrittenen Strategien zur Nutzung von LLMs.
Dieses Repository enthält eine handkuratierte Sammlung von Ressourcen für Prompt Engineering mit Schwerpunkt auf Generative Pre-trained Transformer (GPT), ChatGPT, PaLM usw.
FlagAI (Fast LArge-scale General AI models) ist ein schnelles, einfach zu bedienendes und erweiterbares Toolkit für große KI-Modelle.
Zusammenfassung von Prompt & LLM-Papieren, Open-Source-Daten & -Modellen, AIGC-Anwendungen
Offizielles GitHub-Repository für C-Eval, eine chinesische Bewertungssuite für Basismodelle [NeurIPS 2023]
Personalisieren Sie das Segment Anything Model (SAM) mit 1 Schuss in 10 Sekunden
[pip install medmnist] 18 standardisierte Datensätze für die 2D- und 3D-Klassifizierung biomedizinischer Bilder
Fertig verwendbarer Code und Tutorial-Notebooks, um Ihren Einstieg in Few-Shot-Learning für die Bildklassifizierung zu beschleunigen.
Hervorragende Arbeiten zur generativen Informationsextraktion (IE) unter Verwendung großer Sprachmodelle (LLMs)
Datensatzansatz mit einer Benchmark und einem Frequenzkompressionsverfahren für die Infrarot-Objekterkennung mit wenigen Beispielen
Eine kuratierte Liste von hervorragenden Prompt/Adapter-Lernmethoden für Vision-Language-Modelle wie CLIP.
Modellzusammenführung in LLMs, MLLMs und darüber hinaus: Methoden, Theorien, Anwendungen und Möglichkeiten. ACM Computing Surveys, 2026.
Ein Datensatz von Datensätzen zum Lernen, aus wenigen Beispielen zu lernen
TensorFlow- und PyTorch-Implementierung von "Meta-Transfer Learning for Few-Shot Learning" (CVPR2019)
LLMs können Feedback zu ihrer Arbeit generieren, es zur Verbesserung der Ausgabe nutzen und diesen Prozess iterativ wiederholen.
Verwendung von GPT zur Organisation und zum Zugriff auf Informationen sowie zur Generierung von Fragen. Langfristiges Ziel ist es, einen agentenähnlichen Rechercheassistenten zu entwickeln.
[COLM 2024] LoraHub: Effiziente plattformübergreifende Generalisierung durch dynamische LoRA-Komposition
Offizieller Implementierungsbeitrag zum Paper "Towards Faster and Stabilized GAN Training for High-fidelity Few-shot Image Synthesis" auf der ICLR 2021
Der offizielle Code für "One Fits All: Power General Time Series Analysis by Pretrained LM (NeurIPS 2023 Spotlight)"
"FSGS: Echtzeit-Few-Shot-View-Synthese unter Verwendung von Gaussian Splatting", Zehao Zhu*, Zhiwen Fan*, Yifan Jiang, Zhangyang Wang
Häufig gestellte Fragen
Welches ist das beliebteste #few-shot-learning-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#few-shot-learning-Projekt auf GitHub ist jindongwang/transferlearning mit 14,330 Sternen. Transfer Learning / Domain Adaptation / Domain Generalization / Multi-Task Learning usw. Papers, Codes, Datasets, Anwendungen, Tutorials. - Transfer Learning
Welche Programmiersprachen werden in #few-shot-learning-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #few-shot-learning-Projekten auf GitHub sind Python, Jupyter Notebook, TypeScript die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #few-shot-learning-Repositories berechnet?
Wir verfolgen 41 aktive Open-Source-Repositories, die mit #few-shot-learning getaggt sind (500+ Sterne), mit insgesamt 94,558 Sternen und durchschnittlich 2,306 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.