一文读懂few-shot learning

前提: 有一点代码基础，理解数据的维度。

目的: 用少量的样本训练模型，使模型具备分类能力。

数据集CUB: 200类，100 base class(训练集)，50 valid class，50 novel class(测试集)。

训练方法：
1：直接用base class训练一个200类别的CNN分类器。
2：meta-learning method（训练和测试保持一致），以5-way 5-shot（从base class中随机取5个类别，每个类别随机取5张图，这里25张图片为support set）为例，假设query set 有16张图片（5个类别剩余的其他图片）。输入网络的数据为(5-way,5-shot+16,3,h,w)=(5,21,3,h,w)，然后放入CNN中得到support set的特征(5,5,1600)和query set的特征(5,16,1600)，接下来平均support set中每个类每张图片的特征mean((5,5,1600)，dim=1)=(5,1600)，reshape query set=（80,1600)，最后计算两个set的距离得到(80,5)维向量，这可以表示query set中每张图片与support set中哪张图片比较相似，然后用一下交叉熵损失即可。【meta-training task】

note：每次随机取的五个类，重新定义标签为[0,1,2,3,4]，所以才可以对(80,5)使用交叉熵损失。base class中的support set和query set都拿来训练，只是最后计算损失时，分开计算它们之间的距离。

验证：
简单的同训练方法1，直接把所有测试集valid class放进网络查看分类精度。

测试：
训练完网络后，得到特征提取器（backbone)，固定其权重，把novel class放入其中得到每张图片的特征，假设每张图片1600维。【 接下来，从novel class中随机取5类，每类里面取5张图片5-way 5-shot(support set)和16张图片(query set)，得到(5x(5+16),1600)=(5x5,1600)+(5x16,1600)，把support set(25,1600)放入一层的分类器中分类，训练100个epoch，最后把query set(80,1600)放入测试得到结果。】【称为一个episode，要测试几百个episode取平均】【meta-test task】。这里你也许有疑问，这样训练(fine-tune)不是测试集也进行拟合了吗，其实每个meta-test task中的那层分类器都是重新定义的。

点个赞哦，亲(づ￣3￣)づ╭❤～