博客

由于MAML作者提供的源码比较混乱，而且是由tensorflow写成。所以我写了一篇用Pytorch复现MAML的博客：

MAML模型无关的元学习代码完整复现（Pytorch版）

。那篇博客中的复现细节已经很详尽了，但是在omniglot数据集上的准确率只有0.92，考虑到omniglot算是比较简单的数据集了，因此0.92的准确率实在是太低了。

因此，我后来又对模型和数据的读取方法进行了一些调整，最近的实验表明在5-way-1-shot任务上，我的复现准确率已经达到了0.972，算是基本匹配上了作者在论文中给出的准确率区间。

在这篇文章中，我将总结一下我复现MAML时的一些经验和教训以及对原来代码的更改。

1 数据读取方式

我之前的数据读取方式是将omniglot中images_backgroud和images_evaluation这两个文件夹中的数据一次性读取出来，然后再对数据集进行划分。

img_list = np.load(os.path.join(root_dir, 'omniglot.npy')) # (1623, 20, 1, 28, 28)
x_train = img_list[:1200]
x_test = img_list[1200:]

这一次我使用通用的数据划分方法，即：images_backgroud中的数据作为训练数据，images_evaluation中的数据作为测试数据。

img_list_train = np.load(os.path.join(root_dir, 'omniglot_train.npy')) # (964, 20, 1, 28, 28)
img_list_test = np.load(os.path.join(root_dir, 'omniglot_test.npy')) # (659, 20, 1, 28, 28)

x_train = img_list_train
x_test = img_list_test

具体代码见我的

github

。

2 模型构造

原来的模型卷积层的padding为2，stride也为2；我将它们修改为1之后，实验结果直接从0.92提升到了0.975。由此可见模型架构的微小调整也会严重影响模型的性能。大家平时在做实验时应该注意一下。

原来的模型架构为：

#         self.conv = nn.Sequential(
#             nn.Conv2d(in_channels = 1, out_channels = 64, kernel_size = (3,3), padding = 2, stride = 2),
#             nn.BatchNorm2d(64),
#             nn.ReLU(),
#             nn.MaxPool2d(2),
            
#             nn.Conv2d(in_channels = 64, out_channels = 64, kernel_size = (3,3), padding = 2, stride = 2),
#             nn.BatchNorm2d(64),
#             nn.ReLU(),
#             nn.MaxPool2d(2),
            
#             nn.Conv2d(in_channels = 64, out_channels = 64, kernel_size = (3,3), padding = 2, stride = 2),
#             nn.BatchNorm2d(64),
#             nn.ReLU(),
#