🚀

MNIST Few-Shot 学习

使用 NCT 进行少样本图像分类，理解基本工作流程

⏱️ 15 分钟📊 初级🧪 图像分类

实验概述

本实验将带你使用 NCT 在 MNIST 数据集上进行少样本学习。你将亲手实践如何配置模型、加载数据、训练网络，并评估性能。通过这个实验，你将深入理解 NCT 的基本工作流程和核心概念。

运行实验

方法 1：直接运行脚本

# 克隆仓库
git clone https://github.com/wyg5208/nct.git
cd nct

# 安装依赖
pip install torch numpy scipy matplotlib

# 运行实验
python experiments/exp_mnist_few_shot.py

方法 2：使用 Python API

from nct_modules import NCTManager, NCTConfig
from datasets import load_mnist

# 加载数据
train_data, test_data = load_mnist('./data/MNIST')

# 创建配置
config = NCTConfig(
    n_heads=4,
    d_model=256,
    n_layers=4
)

# 初始化并训练
manager = NCTManager(config)
manager.train(train_data, epochs=10)

预期结果

📈 性能指标

准确率:~97.8%
训练时间:~15 分钟
Few-shot 适应:5-10 样本/类

🎯 学习目标

✅ 掌握 NCT 基本配置
✅ 理解数据加载流程
✅ 学会训练循环编写
✅ 能够评估模型性能

← 返回实验列表快速开始 →