Gere as transformações necessárias para a transformação de dados com base em parâmetros de entrada, incluindo corte aleatório, inversão horizontal aleatória, perturbação de cor e normalização.

Defina diferentes normalizações de dados de acordo com diferentes tipos de backbone para se adaptar às diferentes necessidades de treinamento do modelo.

Herda a classe Dataset do PyTorch e é usada para carregar conjuntos de dados CUB.

As seguintes operações são realizadas na função de inicialização __init__: analisa o arquivo CSV e obtém dados e rótulos.

Conte o número de categorias em um conjunto de dados.

Chame o método get_transforms para obter as transformações necessárias para a transformação de dados.

O método parse_csv é usado para analisar arquivos CSV e obter dados e informações de rótulo.

O método __len__ retorna o comprimento do conjunto de dados.

O método __getitem__ é usado para obter a amostra no índice especificado, que inclui: tentar usar a biblioteca jpeg4py para decodificar a imagem JPEG e, se isso falhar, usar a biblioteca PIL para abrir a imagem.

Aplique transformação de dados (pré-processamento) e retorne imagens e rótulos.

Método __init__: Inicialize a classe do conjunto de dados, aceite o nome da divisão do conjunto de dados e alguns parâmetros e chame a função get_transforms para obter o método de conversão de dados.

Método parse_csv: analisa caminhos de imagem e rótulos de arquivos CSV para construir conjuntos de dados.

Método __len__: Retorna o comprimento do conjunto de dados (número de imagens).

Método __getitem__: Obtenha o item de dados de acordo com o índice, tente usar a biblioteca jpeg4py para decodificar a imagem no formato JPEG, se falhar, use a biblioteca PIL.

Durante a inicialização, passe no rótulo (label), o número de amostras em cada lote (n_batch), o número de amostras em cada categoria (n_cls) e o número de amostras amostradas em cada lote de cada categoria (n_per).

Gere cada lote de dados por meio do método __iter__, selecione aleatoriamente n_per amostras para cada categoria e retorne um tensor unidimensional achatado.

Durante a inicialização, passe no rótulo (label), o número de amostras em cada lote (n_batch), o número de amostras em cada categoria (n_cls), o número de amostras em cada categoria para o conjunto de suporte (n_shot), e o número de amostras em cada categoria para consulta O número de amostras no conjunto (n_query) e o número de visualizações em cada tarefa (n_view).

O método __iter__ gera cada lote de dados para cada categoria, n_shot n_query amostras são selecionadas aleatoriamente, das quais as primeiras n_shot são usadas para o conjunto de suporte e as últimas n_query são usadas para o conjunto de consultas. Os conjuntos de suporte são rotulados com informações adicionais indicando o número da visualização.

Durante a inicialização, passe o rótulo (label), o número de amostras em cada lote (n_batch) e o número de rótulos por amostra em cada lote (n_per).

O método __iter__ gera dados para cada lote e n_per amostras são selecionadas aleatoriamente para cada lote.

Durante a inicialização, passe o rótulo (label) e o número de amostras por lote (n_per) para cada categoria.

O método __iter__ gera dados para cada lote e, para cada categoria, n_per amostras são selecionadas aleatoriamente.

Usado para ResNet Fine-Tune, o número de amostras em cada lote (n_batch), o número de rótulos para cada amostra em cada lote (n_sbatch) e o pool de amostras (pool) são transmitidos durante a inicialização.

O método __iter__ gera dados para cada lote e cada lote seleciona aleatoriamente n_sbatch amostras do conjunto de amostras.

Esta função aceita um valor de perda, um dicionário de parâmetros (params) e atualiza os parâmetros usando gradiente descendente. A função retorna os parâmetros atualizados.

A função inner_train_step representa a etapa interna de treinamento no meta-aprendizado. Ele aceita um modelo, suportando dados e alguns parâmetros, depois realiza o treinamento interno e retorna parâmetros atualizados após o treinamento interno.

Executa uma passagem direta de MAML, usando parâmetros treinados internamente. Existem outros métodos de avaliação como forward_eval, forward_eval_perm e forward_eval_ensemble.

Selecione ResNetMAML como rede backbone de acordo com a categoria de rede backbone fornecida e inicialize os parâmetros do modelo. A atualização dos parâmetros é realizada em inner_train_step, utilizando a função de perda de entropia cruzada para treinamento interno. Os resultados da previsão são dimensionados usando o parâmetro de temperatura.