2025-3-22-实验

继续实验，今天要做的实验是：(ICML 2023) A Closer Look at Few-shot Classification Again

1. write_yaml_CE.py

• 生成 CE（Cross Entropy）训练 的 YAML 配置文件。
• 适用于标准的 监督学习（supervised learning）场景，常用于大规模数据集的分类任务。
• 如果你要在 food101 数据集上进行 标准分类训练，你需要修改这个文件来适配 food101。

2. write_yaml_PN.py

• 生成 PN（ProtoNet, 原型网络）训练 的 YAML 配置文件。
• 适用于 小样本学习（Few-Shot Learning, FSL），比如 5-way 1-shot 或 5-way 5-shot 任务。
• 如果你想在 food101 上做 元学习任务（meta-learning），你需要修改这个文件以适配 food101。

3. write_yaml_search.py

• 生成 超参数搜索（hyperparameter search） 的 YAML 配置文件。
• 适用于寻找最优的超参数，比如学习率（learning rate）、批次大小（batch size）等。
• 如果你想在 food101 上微调模型并找到最佳超参数，你需要修改这个文件并运行 search_hyperparameter.py。

4. write_yaml_test.py

• 生成 测试（evaluation） 的 YAML 配置文件。
• 用于测试 预训练模型，比如在 food101 上评估一个已经训练好的模型。
• 如果你有一个在 ImageNet 或其他数据集上预训练的模型，想在 food101 上测试，你需要修改这个文件。

---

如何选择合适的文件？

• 如果你要训练一个标准的分类模型（监督学习），使用 write_yaml_CE.py。
• 如果你要做小样本学习（Few-Shot Learning），使用 write_yaml_PN.py。
• 如果你要寻找最佳超参数，使用 write_yaml_search.py。
• 如果你要测试一个预训练模型，使用 write_yaml_test.py。

.json文件中的格式是："label_names": [ "ceviche", "carrot_cake", "gyoza",...],"image_names": [ "apple_pie/3113710.jpg", "apple_pie/2485958.jpg", "apple_pie/1350394.jpg", "apple_pie/3596143.jpg",...],"image_labels": [ 0, 0, 0, 0, 0,...],而我有base.json,val.json,novel.json三个文件