入门

本节展示了使用LibFewShot的流程示例。

准备数据集（以miniImagenet为例）

1. 下载并解压miniimagent–ravi

2. 检查数据集格式： 数据集应该具有以下格式(其它数据集如tieredImageNet等也是)

   dataset_folder/
   ├── images/
   │   ├── images_1.jpg
   │   ├── ...
   │   └── images_n.jpg
   ├── train.csv *
   ├── test.csv *
   └── val.csv *
   

修改配置文件

以ProtoNet为例：

1. 在config目录下新建一个yaml文件getting_started.yaml

2. 在该文件中写入以下指令

   includes:
     - headers/data.yaml
     - headers/device.yaml
     - headers/losses.yaml
     - headers/misc.yaml
     - headers/model.yaml
     - headers/optimizer.yaml
     - classifiers/Proto.yaml
     - backbones/Conv64FLeakyReLU.yaml
   

更细节的部分可参考 编写.yaml配置文件。

运行

1. 修改run_trainer.py中config配置语句为

   config = Config("./config/getting_started.yaml").get_config_dict()
   

2. 执行

   python run_trainer.py
   

3. 等待程序运行结束（你可以去喝100杯咖啡）

查看运行日志文件

程序运行完毕之后，可以找到链接results/ProtoNet-miniImageNet-Conv64F-5-1和目录results/ProtoNet-miniImageNet-Conv64F-5-1-$TS，其中TS表示时间戳。目录包含两个文件夹checkpoint/和log_files/和一个配置文件config.yaml。当你多次训练同一种小样本学习方法，链接总会关联到最后创建的目录。

config.yaml即本次训练使用的配置文件内容。

log_files包含tensorboard记录文件，以及在本模型上的训练日志以及测试日志。

checkpoints包含按照save_interval保存的模型文件、最后模型文件（用于resume）和最佳模型文件（用于测试）。模型文件一般分为emb_func.pth,classifier.pth以及model.pth（前两者的组合）