论文：《Matching Networks for One Shot Learning》论文链接
在这项工作中，论文采用了基于深度神经特征的度量学习和利用外部记忆增强神经网络的最新进展。论文中框架学习了一个网络，它将一个小的带标签的support set和一个未带标签的示例映射到本身的标签上，从而避免了调整以适应new class类型的需要。然后我们定义了视觉(使用Omniglot, ImageNet)和语言任务的one-shot学习问题。与其他方法相比，论文算法在ImageNet上的one-shot精度从87.6%提高到93.2%，在Omniglot上从88.0%提高到93.8%。
代码在miniImageNet数据集下训练和测试。
5-way Acc：
| 1-shot | 5-shot | |
|---|---|---|
| 论文 | 46.6% | 60.0% |
| 复现 | 48.3% | 62.2% |
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。
paddlepaddle-gpu==2.2.2
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。
下载MiniImagenet数据集文件放在本repo的./filelists下
可以在这里下载MiniImagenet数据集
python3 train.py --n_shot 5训练的模型保存在本repo的./record目录下
训练的日志保存在本repo的./logs目录下
将提取的特征保存在分类层之前，以提高测试速度。加载./record目录下模型进行特征保存
python3 save_features.py --n_shot 5python3 test.py --n_shot 5测试时程序会加载本repo的./record下保存的训练模型文件。
可以下载训练好的模型数据，放到本repo的./record下。
然后直接执行第step3保存特征和第step4测试命令
├─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
│ configs.py # 配置文件
│ README.md # readme
│ save_features.py # 保存特征
│ train.py # 训练
│ test.py # 测试
│ utils.py # 工具文件
可以在configs.py文件中查看设置训练与测试相关参数
关于模型的其他信息，可以参考下表：
| 信息 | 说明 |
|---|---|
| 发布者 | Lieber |
| 时间 | 2022.04 |
| 框架版本 | Paddle 2.2.2 |
| 应用场景 | 小样本 |
| 支持硬件 | GPU、CPU |
| 下载链接 | 最优模型 |
| 在线运行 | notebook |