MAML-PyTorch

本项目是论文中监督学习实验的 PyTorch 实现： 模型无关的元学习 (MAML)。

版本 1.0：同时支持 MiniImagenet 和 Omniglot 数据集！尽情享受吧~

版本 2.0：重写了元学习器和基础学习器，修复了版本 1.0 中的一些严重 bug。

如需 TensorFlow 实现，请访问官方 这里 以及更简单的版本 这里。

如需一阶近似实现（即 Reptile），请访问 这里。

平台

• Python: 3.x
• PyTorch: 0.4+

MiniImagenet

使用方法

对于 5 路 1 次采样实验，大约需要 6GB 显存。

1. 从 这里 下载 MiniImagenet 数据集，并从 这里 获取划分文件：train/val/test.csv。
2. 解压后目录结构如下：

miniimagenet/
├── images
	├── n0210891500001298.jpg  
	├── n0287152500001298.jpg 
	...
├── test.csv
├── val.csv
└── train.csv

3. 修改 miniimagenet_train.py 中的 path：

        mini = MiniImagenet('miniimagenet/', mode='train', n_way=args.n_way, k_shot=args.k_spt,
                    k_query=args.k_qry,
                    batchsz=10000, resize=args.imgsz)
		...
        mini_test = MiniImagenet('miniimagenet/', mode='test', n_way=args.n_way, k_shot=args.k_spt,
                    k_query=args.k_qry,
                    batchsz=100, resize=args.imgsz)

将其修改为你实际的数据路径。

4. 直接运行 python miniimagenet_train.py 即可，运行截图如下：

如果你的复现效果不够理想，可以适当增加训练轮数以延长训练时间。MAML 的训练难度众所周知，因此本实现仅提供一个基础起点，供你开展研究。以下性能数据是在我的机器上真实测得的。

基准测试

模型	微调	5 路准确率		20 路准确率
		1 次采样	5 次采样	1 次采样	5 次采样
匹配网络	N	43.56%	55.31%	17.31%	22.69%
元 LSTM		43.44%	60.60%	16.70%	26.06%
MAML	Y	48.7%	63.11%	16.49%	19.29%
我们的实现	Y	46.2%	60.3%	-	-

Omniglot

使用方法

运行 python omniglot_train.py，程序会自动下载 omniglot 数据集。

可根据你的显存容量适当降低 args.task_num 的值。

对于 5 路 1 次采样实验，大约需要 3GB 显存。

参考本项目

@misc{MAML_Pytorch,
  author = {Liangqu Long},
  title = {MAML-PyTorch 实现},
  year = {2018},
  publisher = {GitHub},
  journal = {GitHub 仓库},
  howpublished = {\url{https://github.com/dragen1860/MAML-Pytorch}},
  commit = {master}
}

MAML-Pytorch 快速上手指南

本指南基于 MAML-Pytorch 项目，帮助开发者快速在 PyTorch 环境中复现模型无关元学习（MAML）算法。

环境准备

确保您的开发环境满足以下要求：

• 操作系统: Linux / macOS / Windows
• Python: 3.x
• PyTorch: 0.4+ (建议使用较新版本以兼容现有生态)
• GPU: 推荐 NVIDIA GPU
  • MiniImagenet (5-way 1-shot) 约需 6GB 显存
  • Omniglot (5-way 1-shot) 约需 3GB 显存

依赖安装：

pip install torch torchvision
# 其他标准库如 numpy, tqdm 等通常已包含或按需安装

安装步骤

本项目无需复杂的安装过程，直接克隆仓库即可使用。

git clone https://github.com/dragen1860/MAML-Pytorch.git
cd MAML-Pytorch

提示：如果下载速度较慢，可使用国内镜像加速： git clone https://gitee.com/mirror/MAML-Pytorch.git (如有对应镜像) 或通过代理克隆。

基本使用

本项目主要支持 MiniImagenet 和 Omniglot 两个数据集的实验。

1. MiniImagenet 实验

步骤一：准备数据 手动下载数据集及划分文件，并按以下结构整理目录：

1. 下载图片数据：MiniImagenet Dataset
2. 下载划分文件 (train/val/test.csv)：Splits

整理后的目录结构应如下：

miniimagenet/
├── images
│   ├── n0210891500001298.jpg  
│   ├── n0287152500001298.jpg 
│   └── ...
├── test.csv
├── val.csv
└── train.csv

步骤二：配置路径 编辑 miniimagenet_train.py，将数据路径修改为您本地的实际路径：

# 修改前
mini = MiniImagenet('miniimagenet/', mode='train', ...)
mini_test = MiniImagenet('miniimagenet/', mode='test', ...)

# 确保 'miniimagenet/' 指向您存放上述数据的文件夹根目录

步骤三：运行训练 执行以下命令开始训练（默认 5-way 1-shot）：

python miniimagenet_train.py

注意：MAML 训练难度较大，若复现效果不佳，可尝试增加 training epoch。

2. Omniglot 实验

Omniglot 数据集支持自动下载，使用更为便捷。

运行命令：

python omniglot_train.py

显存优化： 如果您的 GPU 显存不足，请在代码或命令行参数中减小 args.task_num 的值以适应硬件限制。

---

基准性能参考：在 5-way 1-shot 设置下，本实现约为 46.2% 准确率；5-shot 设置下约为 60.3%。