MAML：Model-Agnostic Meta-Learning模型的Pytorch实现

---

目录

1. 所需环境 Environment
2. 模型结构 Structure
3. 注意事项 Attention
4. 文件下载 Download
5. 训练步骤 How2train

所需环境

Python3.7 Pytorch>=1.7.0+cu110
Numpy==1.19.5 Pillow==8.2.0 Opencv-contrib-python==4.5.1.48 CUDA 11.0+ Pandas==1.2.4 Matplotlib==3.2.2

模型结构

MAML

----------------------------------------------------------------

Layer (type) Output Shape Param #

Conv2d-1 [-1, 64, 26, 26] 1,792

BatchNormal2d-2 [-1, 64, 26, 26] 128

Conv2d-3 [-1, 128, 11, 11] 73,856

BatchNormal2d-4 [-1, 128, 11, 11] 256

Conv2d-5 [-1, 256, 4, 4] 295,168

BatchNormal2d-6 [-1, 256, 4, 4] 512

Linear-7 [-1, 20] 5,140

================================================================

Total params: 376,852

Trainable params: 376,852

Non-trainable params: 0

----------------------------------------------------------------

Input size (MB): 0.01

Forward/backward pass size (MB): 0.96

Params size (MB): 1.44

Estimated Total Size (MB): 2.41

----------------------------------------------------------------

注意事项

1. MAML结构适用于小样本模型训练，为避免过学习，模型不应设计过重
2. Pytorch无法实现Parameter对象的直接赋值。需手动计算基于support_task的meta_model梯度下降过程，并存储梯度，再结合query_task重新实现前向推理
3. 添加正则化机制，防止过拟合
4. 数据路径、训练参数均位于config.py

文件下载

使用Omniglot Dataset 链接：https://pan.baidu.com/s/13T1Qs4NZL8NS4yoxCi-Qyw
提取码：sets
下载解压后放置于config.py中设置的路径即可。

训练步骤

运行train.py