Создавайте преобразования, необходимые для преобразования данных, на основе входных параметров, включая случайное кадрирование, случайное горизонтальное переворачивание, искажение цвета и нормализацию.

Установите различную нормализацию данных в соответствии с разными типами магистралей, чтобы адаптироваться к различным потребностям обучения модели.

Наследует класс Dataset PyTorch и используется для загрузки наборов данных CUB.

В функции инициализации __init__ выполняются следующие операции: анализ CSV-файла и получение данных и меток.

Подсчитайте количество категорий в наборе данных.

Вызовите метод get_transforms, чтобы получить преобразования, необходимые для преобразования данных.

Метод parse_csv используется для анализа файлов CSV и получения данных и информации о метках.

Метод __len__ возвращает длину набора данных.

Метод __getitem__ используется для получения образца по указанному индексу, что включает в себя: попытку использования библиотеки jpeg4py для декодирования изображения JPEG и, если это не удается, использование библиотеки PIL для открытия изображения.

Применяйте преобразование данных (предварительную обработку) и возвращайте изображения и метки.

Метод __init__: инициализируйте класс набора данных, примите имя подразделения набора данных и некоторые параметры и вызовите функцию get_transforms, чтобы получить метод преобразования данных.

Метод parse_csv: анализирует пути к изображениям и метки из файлов CSV для создания наборов данных.

Метод __len__: возвращает длину набора данных (количество изображений).

Метод __getitem__: получите элемент данных по индексу, попробуйте использовать библиотеку jpeg4py для декодирования изображения формата JPEG, если не получится, используйте библиотеку PIL.

Во время инициализации передайте метку (label), количество образцов в каждой партии (n_batch), количество образцов в каждой категории (n_cls) и количество образцов, отобранных в каждой партии каждой категории (n_per).

Сгенерируйте каждый пакет данных с помощью метода __iter__, случайным образом выберите n_per выборок для каждой категории и верните сглаженный одномерный тензор.

Во время инициализации передайте метку (label), количество образцов в каждой партии (n_batch), количество образцов в каждой категории (n_cls), количество образцов в каждой категории для набора поддержки (n_shot) и количество образцов в каждой категории для запроса. Количество образцов в наборе (n_query) и количество просмотров в каждой задаче (n_view).

Метод __iter__ генерирует каждый пакет данных. Для каждой категории случайным образом выбираются образцы n_shot n_query, из которых первые n_shot используются для набора поддержки, а последние n_query используются для набора запросов. Наборы поддержки помечены дополнительной информацией с указанием номера представления.

Во время инициализации передайте метку (label), количество образцов в каждой партии (n_batch) и количество этикеток на выборку в каждой партии (n_per).

Метод __iter__ генерирует данные для каждой партии, и для каждой партии случайным образом выбираются n_per образцов.

Во время инициализации передайте метку (label) и количество образцов на партию (n_per) для каждой категории.

Метод __iter__ генерирует данные для каждой партии, и для каждой категории случайным образом выбираются n_per выборок.

При использовании для точной настройки ResNet во время инициализации передаются количество образцов в каждом пакете (n_batch), количество меток для каждого образца в каждом пакете (n_sbatch) и пул образцов (pool).

Метод __iter__ генерирует данные для каждой партии, и каждая партия случайным образом выбирает образцы n_sbatch из пула образцов.

Эта функция принимает значение потерь, словарь параметров (params) и обновляет параметры, используя градиентный спуск. Функция возвращает обновленные параметры.

Функция Internal_train_step представляет собой внутренний этап обучения в метаобучении. Он принимает модель, вспомогательные данные и некоторые параметры, затем выполняет внутреннее обучение и возвращает обновленные параметры после внутреннего обучения.

Выполняет прямой проход MAML, используя внутренне обученные параметры. Существуют и другие методы оценки, такие какforward_eval,forward_eval_perm иforward_eval_ensemble.

Выберите ResNetMAML в качестве магистральной сети в соответствии с заданной категорией магистральной сети и инициализируйте параметры модели. Обновление параметров выполняется в Internal_train_step с использованием функции перекрестной энтропии для внутреннего обучения. Результаты прогнозирования масштабируются с использованием параметра температуры.