两个图像数据集的分类模型的训练代码还没有深入看，先给出实验的一些参数对应的训练效果。
数据集下载
链接：https://pan.baidu.com/s/1hcdzRB0BVRwh3Ei4VO2SNQ
提取码：fmrv
一、数据和参数分析
1.数据集
Omniglot数据集.png
MiniImagenet数据集.png
2.基础模型设计在原论文第五章第二小节，我还未细看
3.损失函数
损失函数.png
4.原论文的实验参数
实验参数.png
整理后的参数
4.1 Omniglot
Omniglot实验参数.png
4.2 MiniImagenet
MiniImagenet实验参数.png
5.实验结果
实验结果.png
二、Omniglot
又回到readme
readme.png
需要先执行一下
data/omniglot_resized/resize_images.py这个python文件头部告诉了我们怎么放置这个数据集，但是可能有些文件夹层数的关系，没找到对应文件，所以我稍微修改了下源代码，修改如下：
第一处，resize_images.py
image_path = '*/*/*/'
第二处，data_generator.py
class DataGenerator->def init->elif 'omniglot' in FLAGS.datasource->character_folders（这是一个变量）
character_folders = [os.path.join(data_folder, family, character_dir, character) \
for family in os.listdir(data_folder) \
if os.path.isdir(os.path.join(data_folder, family)) \
for character_dir in os.listdir(os.path.join(data_folder, family)) \
if os.path.isdir(os.path.join(data_folder, family, character_dir))
for character in os.listdir(os.path.join(data_folder, family, character_dir))]
开始训练
我的笔记本是：windows10，cpu是Intel(R) Core(TM) i7-8550U CPU @1.80GHz 1.99GHz，内存8g
在不开其他应用的条件下，在命令提示符终端只能跑5way-1shot的实验，其它的在内存达到98%，99%时就自动被杀掉了。这个实验跑的时间大概是2天左右，我总感觉它可能跑着跑着就停了，但是可能在计算中吧（模型训练进度好像可以可视化，但是我还没有试，包名是tqdm）。实验结果：
第一行数据是0~10次少量数据更新权值后计算测试集对应的准确率accuracy；
第二行数据是0~10次少量数据更新权值后计算测试集对应的标准差；
第三行数据0~10次少量数据更新权值后计算测试集对应的95%置信度。
5way1shot实验结果.png
之后没跑起来5way5shot的实验，我只是尝试改了上文中表格中的部分参数（也就是命令行提供的参数），但是似乎问题不在那，而在生成数据上，代码运行往往卡在下图这个位置。
实验进行不下去的地方.png
但是我并没有尝试去改源码中的一些参数，而将代码迁移到centos7上去跑模型了（因为可以返校了；跑着模型的笔记本真的啥也不能干）。
我的主机信息,cpu：Intel(R) Core(TM) i5-8400 CPU @ 2.80GHz， 内存8g（在跑代码时我禁用了图形界面，使用字符界面）
在cpu上跑了5way5shot，大概用了一天半左右的时间，结果如下图：
5way5shot实验结果.png
之后因为觉得耗时有点长，所以打算使用GPU，这部分环境的搭建，在这篇博客中：https://www.jianshu.com/p/52570d1e70b2
其余两个20way1shot和20way5shot时间差不多都在半天左右的时间，实验结果分别如下图：
20way1shot实验结果.png
20way5shot实验结果.png
其实20way5shot是最后一个训练好的模型，因为一直跑不起来，经过我的简单计算，以及小测试，将上面提到的源码中的参数修改了一下，
源码参数修改.png
这个参数按照我的理解，就是和创建的总数据集个数相关，命令行中的meta-iterations指的是number of metatraining iterations，这个数乘以meta_batch_size（number of tasks sampled per meta-update）是训练所用到的任务数量。而刚才的参数num_total_batches可根据meta_batch_size的不同，组合成一个个训练batch。比如，这里源码中的num_total_batches=200000，假设训练任务是20way-1shot，meta_batch_size=16，meta-iterations=60000，那么训练时一个batch的16个任务，就是从200000个数据集任意挑出16个，一共需要随意挑选60000次。那么刚刚说20way5shot一直跑不起来，而20way1shot可以跑起来，我就进行了简单的计算：
（200000*20*1）/（20*5）=40000，因为不知道上限是多少，所以我用了50000进行训练，结果是跑了起来。这步，也就是Generating filenames 过去了，但是代码继续向下进行，又卡在了这里，
命令行参数修改.png
看原因，和examples_per_batch，batch_size两个参数有关系，examples_per_batch是和我们当前的训练任务，就是NwayKshot有关，所以不能更改，只能修改batch_size，也就是命令行参数meta_batch_size。同样和已经跑起来的20way1shot比较，结合源码中的计算公式
capacity=min_queue_examples + 3 * batch_image_size，把图中的min_queue_examples = 256省略，简单计算来看，就是(3*20*1*16)/(3*20*5) = 3.2，就约等于3（这里因为已经试了好多次，所以就没有测试最可用的值，直接用了计算得到的可用值3）因此，Omniglot数据集上我用的训练命令行参数如下：
命令行参数.png
三、MiniImagenet
同样地，按照readme执行对应的预处理数据集的python文件，proc_images.py，但是这个文件也是不能直接运行的。我的数据预处理都是在windows下进行的，这个文件适用于linux系统，所以做了如下修改（主要就是创建文件夹，改名字，在windows上直接用函数，而在linux上os.system()直接执行命令）：
预处理源码修改.png
使用GPU环境进行训练，大概也是半天时间（就是前一天的下午或晚上开始训练，第二天早上就训练完成），训练结果如下：
5way1shot实验结果.png
5way5shot实验结果.png
（5way5shot也修改了源代码参数num_total_batches = 50000）
四、结果对比
实验结果对比.png
分析上面的结果，基本接近论文的实验结果，说明了该论文实验结果的可重复性。从深入回归任务部分的代码，可以看出maml模型（gradient by gradient）相较于预训练模型，得到了更优的模型初始化参数。
文中还提到了一阶求导和二阶求导的性能对比
一阶导&二阶导.png
公式推导.png
从性能对比来看，二阶导并没有有效提升性能，同时二阶导的计算也增加了计算时间。
最近还要忙着找工作，得开始刷题了，所以把这段时间做的东西稍稍总结一下，下次要接着做也能有个回顾的。
网友评论