小样本学习---特征原型的理解（Protonet）

关于特征原型的解释性

如图红色featuremap 我们可以将整个feature map 中的特征求和

也就是（1+.....+8) * 8 的到sum，再用sum除以64，得到平均值，这也就是所说的特征向量。在图中我们四个feature map ，所以最后我们的特征向量就是一个[1,4]的tensor 如【【4.5】，【number】，【number】，【number】】  

在代码中常出现的masked_feature = torch.sum(feature * mask, dim=(2, 3)) / (mask.sum(dim=(2, 3)) + 1e-5)

1.feature*mask 就是mask 与 feature map中的值对应相乘

如图 黄色的mask 跟粉红feature map 相乘 得到一个 8×8大小的

矩阵

2. torch.sum(feature * mask, dim=(2, 3))） 意思是将上述得到 8×8大小的矩阵相加

3.torch.sum(feature * mask, dim=(2, 3)) / (mask.sum(dim=(2, 3)) + 1e-5)

相加之后的结果除以 (mask相加的值+0.00001)

最后得到一个特征向量(（在代码我们得到tensor【B,N】）,再次我mask为了方便并没有画4个mask，其实这里的mask因与feature map一样多)

（有错误欢迎指出）