LearningToCompare_FSL

用于 CVPR 2018 论文的 PyTorch 代码：Learning to Compare: Relation Network for Few-Shot Learning（少样本学习部分）

关于零样本学习部分，请访问 这里。

需求

Python 2.7

Pytorch 0.3

数据

对于 Omniglot 实验，我直接在仓库中附上了基于 omniglot 和 maml 创建的 28x28 尺寸的 Omniglot 图像。

对于 mini-Imagenet 实验，请下载 mini-Imagenet，并将其放置在 ./datas/mini-Imagenet 目录下，然后运行 proc_image.py 脚本进行预处理，生成训练/验证/测试数据集。（该处理方法参考了 maml。）

训练

Omniglot 5 路 1 次采样：

python omniglot_train_one_shot.py -w 5 -s 1 -b 19 

Omniglot 5 路 5 次采样：

python omniglot_train_few_shot.py -w 5 -s 5 -b 15 

Omniglot 20 路 1 次采样：

python omniglot_train_one_shot.py -w 20 -s 1 -b 10

Omniglot 20 路 5 次采样：

python omniglot_train_few_shot.py -w 20 -s 5 -b 5

mini-Imagenet 5 路 1 次采样：

python miniimagenet_train_one_shot.py -w 5 -s 1 -b 15

mini-Imagenet 5 路 5 次采样：

python miniimagenet_train_few_shot.py -w 5 -s 5 -b 10

您可以根据显存情况调整 -b 参数。目前脚本会加载我预先训练好的模型；如果您想从头开始训练，可以自行删除 models 文件夹中的模型文件。

测试

Omniglot 5 路 1 次采样：

python omniglot_test_one_shot.py -w 5 -s 1

其他实验的测试方法类似。

引用

如果您在研究中使用了本代码，请使用以下 BibTeX 条目：

@inproceedings{sung2018learning,
  title={Learning to Compare: Relation Network for Few-Shot Learning},
  author={Sung, Flood and Yang, Yongxin and Zhang, Li and Xiang, Tao and Torr, Philip HS and Hospedales, Timothy M},
  booktitle={Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition},
  year={2018}
}

参考文献

MAML

MAML-pytorch

LearningToCompare_FSL 快速上手指南

本指南基于 CVPR 2018 论文《Learning to Compare: Relation Network for Few-Shot Learning》的 PyTorch 实现，专注于小样本学习（Few-Shot Learning）任务。

环境准备

本项目对 Python 和 PyTorch 版本有严格要求，建议使用虚拟环境以避免冲突。

• 操作系统：Linux / macOS (Windows 需自行配置兼容环境)
• Python 版本：2.7
• 深度学习框架：PyTorch 0.3
• 其他依赖：标准科学计算库（如 numpy, PIL 等，通常随 PyTorch 安装或需额外安装）

注意：由于项目依赖较旧的 Python 2.7 和 PyTorch 0.3，在新版系统中可能需要通过 conda 创建特定历史版本的环境。

安装步骤

1. 克隆代码库

git clone https://github.com/lzrobots/LearningToCompare_FSL.git
cd LearningToCompare_FSL

2. 配置运行环境

推荐使用 Conda 创建隔离环境并安装指定版本的 PyTorch：

# 创建 Python 2.7 环境
conda create -n fsl_env python=2.7
conda activate fsl_env

# 安装 PyTorch 0.3 (根据 CUDA 版本选择，以下为 CPU 版本示例，GPU 版本请参考 PyTorch 历史文档)
pip install torch==0.3.1 torchvision==0.2.1

# 安装其他必要依赖
pip install numpy pillow scipy

3. 数据准备

Omniglot 数据集

代码库已直接包含预处理好的 28x28 resized 图像，无需额外下载，可直接使用。

Mini-ImageNet 数据集

需手动下载并预处理：

1. 下载 mini-Imagenet。
2. 将下载的数据放入 ./datas/mini-Imagenet 目录。
3. 运行预处理脚本生成训练/验证/测试集：

   python proc_image.py
   

基本使用

以下展示最基础的 Omniglot 5 路 1 射 (5-way 1-shot) 训练与测试流程。你可以通过修改 -w (ways), -s (shots), -b (batch size) 参数适配不同实验场景。

1. 训练模型

运行以下命令开始训练（默认会加载预训练模型继续训练，若需从头训练请手动删除 models 目录下的文件）：

python omniglot_train_one_shot.py -w 5 -s 1 -b 19 

• -w 5: 5 个类别
• -s 1: 每个类别 1 个支持样本
• -b 19: 批大小（可根据显存大小调整）

2. 测试模型

训练完成后，使用以下命令评估模型性能：

python omniglot_test_one_shot.py -w 5 -s 1

其他常见实验配置示例

• Omniglot 5-way 5-shot:

  python omniglot_train_few_shot.py -w 5 -s 5 -b 15 
  

• Mini-ImageNet 5-way 1-shot:

  python miniimagenet_train_one_shot.py -w 5 -s 1 -b 15