原型网络Prototypical Network的python代码逐行解释，新手小白也可学会！！-----系列8

---

前言

这是该系列原型网络的最后一段代码及其详细解释，感谢各位的阅读！

---

一、原始代码

if __name__ == '__main__':
    ##载入数据
    labels_trainData, labels_testData = load_data()  # labels_trainData是字典，是key:value形式
    class_number_train = max(list(labels_trainData.keys())) #963
    class_number_test = max(list(labels_testData.keys())) #658

    wide = labels_trainData[0][0].shape[0]  # 105      #二维张量，shape[0]代表行数，shape[1]代表列数
    length = labels_trainData[0][0].shape[1]  # 105

    for label in labels_trainData.keys():
        labels_trainData[label] = np.reshape(labels_trainData[label], [-1, 1, wide, length])

    for label in labels_testData.keys():
        labels_testData[label] = np.reshape(labels_testData[label], [-1, 1, wide, length])

    ##初始化模型
    protonets = Protonets((1, wide, length), 10, 5, 5, 60, './log/', 50)  # '''根据需求修改类的初始化参数，参数含义见protonets_net.py'''

    ##训练prototypical_network
    for n in range(100):  ##随机选取x个类进行一个episode的训练
        protonets.train(labels_trainData, class_number_train)
        if n % 2 == 0 and n != 0:  # 每5次存储一次模型，并测试模型的准确率，训练集的准确率和测试集的准确率被存储在model_step_eval.txt中
            torch.save(protonets.model, './log/model_net_' + str(n) + '.pkl')
            protonets.save_center('./log/model_center_' + str(n) + '.csv')
            test_accury = protonets.evaluation_model(labels_testData, class_number_test)
            print(test_accury)
            str_data = str(n) + ',' + str('       test_accury     ') + str(test_accury) + '\n'
            with open('./log/model_step_eval.txt', "a") as f:
                f.write(str_data)
        print(n)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

二、对每一行代码的解释：

1. if __name__ == '__main__':
   这是一个Python的惯用写法，表示当脚本直接被运行时（而不是被作为模块导入时），才会执行下面的代码块。

2. labels_trainData, labels_testData = load_data()
   调用 load_data() 函数加载数据，并将返回的标签训练数据和标签测试数据保存到 labels_trainData 和 labels_testData 变量中。

3. class_number_train = max(list(labels_trainData.keys()))
   获取标签训练数据中的最大键（即最大类别数），并将其保存到 class_number_train 变量中。

4. class_number_test = max(list(labels_testData.keys()))
   获取标签测试数据中的最大键（即最大类别数），并将其保存到 class_number_test 变量中。

5. wide = labels_trainData[0][0].shape[0]
   获取标签训练数据中第一个样本的宽度，并将其保存到 wide 变量中。

6. length = labels_trainData[0][0].shape[1]
   获取标签训练数据中第一个样本的长度，并将其保存到 length 变量中。

7. for label in labels_trainData.keys():
   遍历标签训练数据中的所有键。

8. labels_trainData[label] = np.reshape(labels_trainData[label], [-1, 1, wide, length])
   对每个标签训练数据进行重塑，将其形状改为 [-1, 1, wide, length]，其中 -1 表示自动计算维度大小。

9. for label in labels_testData.keys():
   遍历标签测试数据中的所有键。

10. labels_testData[label] = np.reshape(labels_testData[label], [-1, 1, wide, length])
    对每个标签测试数据进行重塑，将其形状改为 [-1, 1, wide, length]。

11. protonets = Protonets((1, wide, length), 10, 5, 5, 60, './log/', 50)
    创建一个 Protonets 类的实例，传入模型的初始化参数。

12. for n in range(100):
    从0到99的循环中，执行以下代码块。

13. protonets.train(labels_trainData, class_number_train)
    调用 protonets 实例的 train() 方法进行模型训练，传入标签训练数据和类别数。

14. if n % 2 == 0 and n != 0:
    如果 n 是偶数且不为0，则执行以下代码块。

15. torch.save(protonets.model, './log/model_net_' + str(n) + '.pkl')
    保存模型到 './log/model_net_' + str(n) + '.pkl' 的文件路径。

16. protonets.save_center('./log/model_center_' + str(n) + '.csv')
    调用 protonets 实例的 save_center() 方法，将模型的中心点保存到 './log/model_center_' + str(n) + '.csv'。

17. test_accury = protonets.evaluation_model(labels_testData, class_number_test)
    调用 protonets 实例的 evaluation_model() 方法，对模型进行评估并返回测试准确率，将其保存到 test_accury 变量中。

18. print(test_accury)
    打印测试准确率。

19. str_data = str(n) + ',' + str(' test_accury ') + str(test_accury) + '\n'
    构建一个字符串以保存到文件中。

20. with open('./log/model_step_eval.txt', "a") as f:
    打开一个文件，以追加模式写入。

---

总结

原型网络（Prototypical Network）是一种用于小样本学习的模型，由Jake Snell等人于2017年提出。它是一种基于元学习（meta-learning）的方法，主要用于解决在具有少量标记样本的情况下进行分类任务的问题。

传统的深度学习模型在处理小样本学习时通常表现不佳，因为它们需要大量的标记样本来进行训练。然而，在现实世界中，我们往往只有少量标记样本可用。原型网络通过引入一个用于表示类别的中心向量（原型）的概念，解决了这个问题。

原型网络的功能和优势如下：

1. 小样本学习：原型网络适用于具有少量标记样本的分类任务，可以在只有几个样本可用时进行准确的分类。

2. 元学习能力：原型网络通过学习类别的原型向量，能够在遇到新类别时进行快速学习，从而实现元学习的目标。

3. 欧氏距离度量：原型网络使用欧氏距离来度量样本与原型之间的相似性，从而进行分类推断。这种度量方式非常直观和可解释，使得模型更易于理解