实验七：迁移学习和元学习实践

实验任务

本次实验旨在通过Few-Shot分类任务理解迁移学习和元学习核心思想，共包含两个任务：基于迁移学习的基线模型训练（50分钟）和MAML元学习模型实现（100分钟）。

---

数据集说明

下载训练集

下载测试集

Omniglot数据集包含50种文字系统中的1623个手写字符，每个字符由20个不同书写者绘制。数据集划分为： - 训练/验证集：30种文字系统 - 每个文字系统中有多种文字 - 每个文字有20张图像

• 测试集：640对支持集和查询集
• 5张支持图像
• 5张查询图像

• 测试集标签说明：

数据集下载代码将在提供的Jupyter Notebook中自动执行。

---

实验任务详解

任务一：迁移学习基线模型

迁移学习相关知识请参考迁移学习和元学习介绍

下载任务一和任务二代码

任务描述

1. 数据构造：从训练集中随机选取5个Task
2. 模型构建：一个简单的5层卷积神经网络，代码已在提供的Jupyter Notebook给出
3. 训练流程：
4. 阶段一：在随机选取的5个Task数据上预训练分类模型
5. 阶段二：在5个支撑集上微调
6. 阶段三：在查询集推理

---

任务二：MAML元学习模型

元学习相关知识请参考迁移学习和元学习介绍

任务描述

1. MAML核心思想：
2. 在任务分布上学习一组全局初始化参数
3. 通过少量梯度更新快速适应新任务
4. 实现步骤：
5. 采样任务批次（每批含32个Task）
6. 内循环（Inner Loop）：在每个Task的支撑集上执行梯度更新
7. 外循环（Outer Loop）：基于查询集损失更新元模型参数

算法伪代码

（注：实际代码中将提供完整PyTorch实现）

---

实验资源

• MAML原论文
• PyTorch元学习库Torchmeta参考

---

实验提交

提交截止前需提供以下材料：

1. 代码文件：

2. 完整可运行的Jupyter Notebook（含任务一、二实现）

3. 实验报告（PDF格式）：

内容要求	分值占比
1. 绘制验证集准确率和任务数量的关系图	20%
2. 一句话描述验证集准确率和任务数量的关系	5%
3. 阅读论文并写出一个使用MAML时可能出现的问题	25%
4. 解释上一问的问题为什么会出现并给出你的解决方法	25%
5. 描述你对源代码做了哪些改进以提高测试准确率	25%

1. 性能指标（基线模型 vs MAML在5-way 1-shot任务上的测试准确率）：

下载测试集真实标签

性能要求（可叠加）	加分
基线模型acc>0.6	+5分
MAML acc>0.7	+5分
MAML acc>0.9	+5分
MAML acc>0.95	+5分