该复现项目针对《A Closer Look at Few-shot Classification》论文，基于paddlepaddle-gpu2.2.2和python3.7，在miniImageNet数据集上完成。复现的5-way 1-shot和5-shot准确率略超论文。介绍了论文的小样本分类研究、基准模型等，还说明了数据集、运行步骤及代码结构。

一、前言

本项目为百度论文复现赛《A Closer Look at Few-shot Classification》论文复现代码。

依赖环境：

• paddlepaddle-gpu2.2.2
• python3.7

在miniImageNet数据集下训练和测试。

5-way Acc：

参考项目地址

复现github地址

三、数据集

2016年google DeepMind团队从Imagnet数据集中抽取的一小部分（大小约3GB）制作了Mini-Imagenet数据集，共有100个类别，每个类别都有600张图片，共60000张（都是.jpg结尾的文件）。

Mini-Imagenet数据集中还包含了train.csv、val.csv以及test.csv三个文件。

• train.csv包含38400张图片，共64个类别。
• val.csv包含9600张图片，共16个类别。
• test.csv包含12000张图片，共20个类别。

每个csv文件之间的图像以及类别都是相互独立的，即共60000张图片，100个类。

四、运行

本项目5-way分类可设1-shot和5-shot。如果用5-shot可设置--n_shot 5，用1-shot可设置--n_shot 1。下面以5-shot为例。

解压miniImagenet数据集到./filelists目录下用于训练

#加载miniImagenet数据集%cd /home/aistudio/work/Paddle-CLFS/filelists/!unzip -oq /home/aistudio/data/data138415/miniImagenet.zip登录后复制 ? ? ? ?

/home/aistudio/work/Paddle-CLFS/filelists登录后复制 ? ? ? ?

1、训练

训练的模型保存在./record目录下

训练的日志保存在./logs目录下

%cd /home/aistudio/work/Paddle-CLFS/!python3 train.py --n_shot 5登录后复制 ? ?

2、保存特征

将提取的特征保存在分类层之前，以提高测试速度。

加载./record目录下的模型进行特征保存

# 可加载预先训练好的模型文件到./record目录下%cd /home/aistudio/work/Paddle-CLFS/record/!unzip -oq /home/aistudio/data/data140016/checkpoint_clfs.zip登录后复制 ? ?In [?]

%cd /home/aistudio/work/Paddle-CLFS/!python3 save_features.py --n_shot 5登录后复制 ? ?

3、测试

测试之前执行!python3 save_features.py预先提取特征

这里展示5-shot测试结果

%cd /home/aistudio/work/Paddle-CLFS/!python3 test.py --n_shot 5登录后复制 ? ?

五、代码结构

├─data # 数据处理包├─filelists # 数据文件├─methods # 模型方法├─logs # 训练日志├─record # 训练保存文件 │ backbone.py # 特征提取│ configs.py # 配置文件│ io_utils.py # 配置文件│ README.md # readme│ save_features.py # 保存特征│ train.py # 训练│ test.py # 测试登录后复制 ? ?