Paddle-FSL-MatchingNet

一、简介

论文：《Matching Networks for One Shot Learning》论文链接

本论文提出了基于深度神经特征的度量学习思想，利用了外部记忆增强神经网络方法。文章中框架学习了一个网络，它将一个小的带标签的 Support Set和一个未带标签的示例映射到它的标签上，从而避免了为了适应新的类型而进行微调的需要。

参考项目地址链接

二、复现精度

代码在miniImageNet数据集下训练和测试。

5-way Acc：

	1-shot	5-shot
论文	46.6%	60.0%
复现	48.3%	62.2%

三、数据集

2016年google DeepMind团队从Imagnet数据集中抽取的一小部分（大小约3GB）制作了Mini-Imagenet数据集，共有100个类别，每个类别都有600张图片，共60000张（都是.jpg结尾的文件）。

Mini-Imagenet数据集中还包含了train.csv、val.csv以及test.csv三个文件。

• train.csv包含38400张图片，共64个类别。
• val.csv包含9600张图片，共16个类别。
• test.csv包含12000张图片，共20个类别。

每个csv文件之间的图像以及类别都是相互独立的，即共60000张图片，100个类。

四、环境依赖

paddlepaddle-gpu==2.2.2

五、快速开始

本项目5-way分类可设1-shot和5-shot。如果用5-shot可设置--n_shot 5，用1-shot可设置--n_shot 1。下面以5-shot为例。

step1: 加载数据集

下载MiniImagenet数据集文件放在本repo的./filelists下

可以在这里下载MiniImagenet数据集

step2: 训练

python3 train.py --n_shot 5

训练的模型保存在本repo的./record目录下

训练的日志保存在本repo的./logs目录下

step3: 保存特征

将提取的特征保存在分类层之前，以提高测试速度。加载./record目录下模型进行特征保存

python3 save_features.py --n_shot 5

step4: 测试

python3 test.py --n_shot 5

测试时程序会加载本repo的./record下保存的训练模型文件。

可以下载训练好的模型数据，放到本repo的./record下。

然后直接执行第step3保存特征和第step4测试命令

六、代码结构与参数说明

6.1 代码结构

├─data                            # 数据处理包
├─filelists                       # 数据文件
├─methods                         # 模型方法
├─logs                            # 训练日志
├─record                          # 训练保存文件    
│  configs.py                     # 配置文件
│  README.md                      # readme
│  save_features.py               # 保存特征
│  train.py                       # 训练
│  test.py                        # 测试
│  utils.py                       # 工具文件

6.2 参数说明

可以在configs.py文件中查看设置训练与测试相关参数

七、模型信息

关于模型的其他信息，可以参考下表：

信息	说明
发布者	Lieber
时间	2022.04
框架版本	Paddle 2.2.2
应用场景	小样本
支持硬件	GPU、CPU
下载链接	最优模型
在线运行	notebook