目录

    • maml概念
    • 数据读取
      • get_file_list
      • get_one_task_data
    • 模型训练
    • 模型定义

源码(觉得有用请点star,这对我很重要~)

maml概念

首先,我们需要说明的是maml不同于常见的训练方式。以猫狗分类和resnet作为例子,我们将猫狗分类定义为一个task,正常训练一个猫狗分类器,只需要输入猫和狗的图片去训练就好了。所以我们的一个batch中就会有多张猫或者狗的图片,这样训练出来的模型虽说可以预测这张图片是猫还是狗,但要想这个分类器有泛化性,就需要大量猫或狗的图像,而标注大量的数据是要成本的。

现在我们假设一个场景,我们没有这么多猫狗分类的数据,但我们有其他task的数据。我们需要用少量的图像来训练一个强泛化性的模型。maml的训练方式允许我们用大量别的task的数据来得到一个初始化权重,这个初始化权重具有非常好的鲁棒性,仅用少量数据训练加上或者maml训练的初始化权重就可以达到和正常训练方式的准确率。

为什么maml能做到这样的效果,请读者移步MAML原理讲解和代码实现。

maml以task为单位,多个task组成一个batch,为了和正常训练方式区别开来,我们就成为meta-batch。以omniglot为例,如下图所示:

每个task之间都互相独立,都是不同的分类任务。

数据读取

这里为大家实现了个MAML数据读取的基类,用户只需要实现get_file_list和get_one_task_data两个函数即可。

class MAMLDataset(Dataset):    def __init__(self, data_path, batch_size, n_way=10, k_shot=2, q_query=1):        self.file_list = self.get_file_list(data_path)        self.batch_size = batch_size        self.n_way = n_way        self.k_shot = k_shot        self.q_query = q_query    def get_file_list(self, data_path):        raise NotImplementedError('get_file_list function not implemented!')    def get_one_task_data(self):        raise NotImplementedError('get_one_task_data function not implemented!')    def __len__(self):        return len(self.file_list) // self.batch_size    def __getitem__(self, index):        return self.get_one_task_data()

还是以omniglot为例,实现特殊数据集的子类数据读取的方法。

get_file_list

此函数要求得到一个所有task文件目录的list。比如一个总的文件夹中,下面有很多不同的task,这里因为omniglot数据命名比较统一,所以实现比较简单。

get_one_task_data

此函数要求返回一个task的数据,包括训练集和验证集,以下面代码为例,每次调用get_one_task_data时,返回一个n_way=5分类的task,其中训练集图像和标签的数量各为k_shot=1张,验证集图像和标签的数量各为q_query=1张。

class OmniglotDataset(MAMLDataset):    def get_file_list(self, data_path):        """        Get all fonts list.        Args:            data_path: Omniglot Data path        Returns: fonts list        """        return [f for f in glob.glob(data_path + "**/character*", recursive=True)]    def get_one_task_data(self):        """        Get ones task maml data, include one batch support images and labels, one batch query images and labels.        Returns: support_data, query_data        """        img_dirs = random.sample(self.file_list, self.n_way)        support_data = []        query_data = []        support_image = []        support_label = []        query_image = []        query_label = []        for label, img_dir in enumerate(img_dirs):            img_list = [f for f in glob.glob(img_dir + "**/*.png", recursive=True)]            images = random.sample(img_list, self.k_shot + self.q_query)            # Read support set            for img_path in images[:self.k_shot]:                image = Image.open(img_path)                image = np.array(image)                image = np.expand_dims(image / 255., axis=0)                support_data.append((image, label))            # Read query set            for img_path in images[self.k_shot:]:                image = Image.open(img_path)                image = np.array(image)                image = np.expand_dims(image / 255., axis=0)                query_data.append((image, label))        # shuffle support set        random.shuffle(support_data)        for data in support_data:            support_image.append(data[0])            support_label.append(data[1])        # shuffle query set        random.shuffle(query_data)        for data in query_data:            query_image.append(data[0])            query_label.append(data[1])        return np.array(support_image), np.array(support_label), np.array(query_image), np.array(query_label)

在调用Dataset的时候再使用torch的Dataloader包一下就好了,里面batch_size参数为任务的数量。相当于每训练1个step就要训练完这么多个task。

train_dataset = OmniglotDataset(args.train_data_dir, args.task_num,                                n_way=args.n_way, k_shot=args.k_shot, q_query=args.q_query)val_dataset = OmniglotDataset(args.val_data_dir, args.val_task_num,                              n_way=args.n_way, k_shot=args.k_shot, q_query=args.q_query)train_loader = DataLoader(train_dataset, batch_size=args.task_num, shuffle=True, num_workers=args.num_workers)val_loader = DataLoader(val_dataset, batch_size=args.val_task_num, shuffle=False, num_workers=args.num_workers)

模型训练

代码如下:

def maml_train(model, support_images, support_labels, query_images, query_labels, inner_step, args, optimizer, is_train=True):    """    Train the model using MAML method.    Args:        model: Any model        support_images: several task support images        support_labels: several  support labels        query_images: several query images        query_labels: several query labels        inner_step: support data training step        args: ArgumentParser        optimizer: optimizer        is_train: whether train    Returns: meta loss, meta accuracy    """    meta_loss = []    meta_acc = []    for support_image, support_label, query_image, query_label in zip(support_images, support_labels, query_images, query_labels):        fast_weights = collections.OrderedDict(model.named_parameters())        for _ in range(inner_step):            # Update weight            support_logit = model.functional_forward(support_image, fast_weights)            support_loss = nn.CrossEntropyLoss().cuda()(support_logit, support_label)            grads = torch.autograd.grad(support_loss, fast_weights.values(), create_graph=True)            fast_weights = collections.OrderedDict((name, param - args.inner_lr * grads)                                                   for ((name, param), grads) in zip(fast_weights.items(), grads))        # Use trained weight to get query loss        query_logit = model.functional_forward(query_image, fast_weights)        query_prediction = torch.max(query_logit, dim=1)[1]        query_loss = nn.CrossEntropyLoss().cuda()(query_logit, query_label)        query_acc = torch.eq(query_label, query_prediction).sum() / len(query_label)        meta_loss.append(query_loss)        meta_acc.append(query_acc.data.cpu().numpy())    # Zero the gradient    optimizer.zero_grad()    meta_loss = torch.stack(meta_loss).mean()    meta_acc = np.mean(meta_acc)    if is_train:        meta_loss.backward()        optimizer.step()    return meta_loss, meta_acc

support_images, support_labels, query_images, query_labels传入的都是以task为单位的,所以要用一个for循环来进行拆包,注意support_data和query_data数据集来源必须得一致,不能一个数据A task,另一个属于B task。

拆包完之后,首先进行训练集的训练,我们要注意,此时的训练是不能改动到模型权重,但我们又需要知道它的训练方向,所以我们需要copy出来一个权重,让它执行训练,用这个得到的权重对query_data执行前向传播,以此得到的loss再进行反向传播优化。这个过程很绕,建议多读几遍源码就懂了。

模型定义

class Classifier(nn.Module):    def __init__(self, in_ch, n_way):        super(Classifier, self).__init__()        self.conv1 = ConvBlock(in_ch, 64)        self.conv2 = ConvBlock(64, 64)        self.conv3 = ConvBlock(64, 64)        self.conv4 = ConvBlock(64, 64)        self.logits = nn.Linear(64, n_way)    def forward(self, x):        x = self.conv1(x)        x = self.conv2(x)        x = self.conv3(x)        x = self.conv4(x)        x = x.view(x.shape[0], -1)        x = self.logits(x)        return x    def functional_forward(self, x, params):        x = ConvBlockFunction(x, params[f'conv1.conv2d.weight'], params[f'conv1.conv2d.bias'],                              params.get(f'conv1.bn.weight'), params.get(f'conv1.bn.bias'))        x = ConvBlockFunction(x, params[f'conv2.conv2d.weight'], params[f'conv2.conv2d.bias'],                              params.get(f'conv2.bn.weight'), params.get(f'conv2.bn.bias'))        x = ConvBlockFunction(x, params[f'conv3.conv2d.weight'], params[f'conv3.conv2d.bias'],                              params.get(f'conv3.bn.weight'), params.get(f'conv3.bn.bias'))        x = ConvBlockFunction(x, params[f'conv4.conv2d.weight'], params[f'conv4.conv2d.bias'],                              params.get(f'conv4.bn.weight'), params.get(f'conv4.bn.bias'))        x = x.view(x.shape[0], -1)        x = F.linear(x, params['logits.weight'], params['logits.bias'])        return x

模型定义比较简单,maml思想主要是个训练方式,和模型本身无关。但我们在刚刚模型训练的时候有一些特殊操作,所以要定义一个functional_forward,这个函数要求实现和模型一样结构的网络,同时参数输入为:1、图像 2、权重。这样就可以保证得到了loss,但模型权重没有被修改。