CPEA
话说，感觉《一兆游戏》第一集25.50-30.00这一段配三个人非常easy。
还是先看论文吧
Backbone基本上是ResNet12，Dataset：miniImageNet , tieredImageNet,
CIFAR-FS, and FC100。
image-20250401204745641
image-20250401204953567
Expr实验细节
main.py:python main.py --gpu 0 --way 5 --test_way 5 --shot 5 --exp cpea-main-5way-5shot > cpea-main-5way-5shot.txt &
在 GPU0上运行 5-way 5-shot 训练，日志存入
cpea-main-5way-5shot.txt。
& 放在命令末尾，表示 让 Python
进程在后台运行，这样终端不会被锁定，还可以执行其他命令。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
| parser = argparse.ArgumentParser()
parser.add_argument('--max_epoch', type=int, default=100)
parser.add_argument('--way', type=int, default=5)
parser.add_argument('--test_way', type=int, default=5)
parser.add_argument('--shot', type=int, default=1)
parser.add_argument('--query', type=int, default=15)
parser.add_argument('--lr', type=float, default=0.00001)
parser.add_argument('--lr_mul', type=float, default=100)
parser.add_argument('--step_size', type=int, default=5)
parser.add_argument('--gamma', type=float, default=0.5)
parser.add_argument('--model_type', type=str, default='small')
parser.add_argument('--dataset', type=str, default='MiniImageNet')
parser.add_argument('--init_weights', type=str, default='./initialization/miniimagenet/checkpoint1600.pth')
parser.add_argument('--gpu', default='2')
parser.add_argument('--exp', type=str, default='CPEA')
args = parser.parse_args()
pprint(vars(args))
|
way (N-way)：每个 episode 任务包含的类别数（默认
5-way）。
shot (K-shot)：每个类别的支持样本数（默认
1-shot）。
query：每个类别的查询样本数（默认 15）。
learning rate (lr)：默认
1e-5，可能过低，建议调试 1e-4 或
5e-5。
lr_mul：用于 CPEA 模型的学习率调整（比
Backbone 大 100 倍）。
step_size/gamma：用于 StepLR 调度器，每
5 轮 lr 乘 0.5。
预训练模型 (init_weights)：用于 ResNet
预训练特征提取。
进展
话说电脑已经被西安腌入味了，输入xian的首选是西安了。
结果写好了food101.py之后，然后发现需要预训练权重）
于是可悲地先下载FewTURE，然后先跑这个ViT的pretrain model。
image-20250402101530915
快十个小时跑了80个epoch不到，这得跑100h了，悲。
4.4更新：已跑66h，500 epoch
