---

原型网络进行分类的基本流程

利用原型网络进行分类，基本流程如下：

1.对于每一个样本使用编码的方式fφ ()，学习到每一个样本的编码表示(信息抽取）。
2.学习到每一个样本的编码表示之后，对于每一个分类下的所有的样本编码进行求和求取平均的操作，将结果作为分类的原型表示。
3.当一个新的数据样本被输入到网络中的时候，对于这个样本使用fφ()，生成其编码表示。
4.计算新的样本的编码表示和每一个分类的原型表示之间的距离情况，通过最下距离来确定查询样本属于哪一个分类。
5.在计算出所有的分类之间的距离之后，使用softmax的方式将距离转换成概率的形式。

一、原始代码—计算欧氏距离，设计原型网络（计算原型+开始训练）

def eucli_tensor(x,y):	#计算两个tensor的欧氏距离，用于loss的计算
	return -1*torch.sqrt(torch.sum((x-y)*(x-y))).view(1)

class Protonets(object):
	def __init__(self,input_shape,outDim,Ns,Nq,Nc,log_data,step,trainval=False):
		#Ns:支持集数量,Nq：查询集数量,Nc：每次迭代所选类数,log_data：模型和类对应的中心所要储存的位置,step:若trainval==True则读取已训练的第step步的模型和中心,trainval：是否从新开始训练模型
		self.input_shape = input_shape
		self.outDim = outDim
		self.batchSize = 1
		self.Ns = Ns
		self.Nq = Nq
		self.Nc = Nc
		if trainval == False:
			#若训练一个新的模型，初始化CNN和中心点
			self.center = {}
			self.model = CNNnet(input_shape,outDim)
		else:
			#否则加载CNN模型和中心点
			self.center = {}
			self.model = torch.load(log_data+'model_net_'+str(step)+'.pkl')		#'''修改,存储模型的文件名'''
			self.load_center(log_data+'model_center_'+str(step)+'.csv')	#'''修改,存储中心的文件名'''
	
	def compute_center(self,data_set):	#data_set是一个numpy对象，是某一个支持集，计算支持集对应的中心的点
		center = 0
		for i in range(self.Ns):
			data = np.reshape(data_set[i], [1, self.input_shape[0], self.input_shape[1], self.input_shape[2]])
			data = Variable(torch.from_numpy(data))
			data = self.model(data)[0]	#将查询点嵌入另一个空间
			if i == 0:
				center = data
			else:
				center += data
		center /= self.Ns
		return center
	
	def train(self,labels_data,class_number):	#网络的训练
		#Select class indices for episode
		class_index = list(range(class_number))
		random.shuffle(class_index)
		choss_class_index = class_index[:self.Nc]#选20个类
		sample = {'xc':[],'xq':[]}
		for label in choss_class_index:
			D_set = labels_data[label]
			#从D_set随机取支持集和查询集
			support_set,query_set = self.randomSample(D_set)
			#计算中心点
			self.center[label] = self.compute_center(support_set)
			#将中心和查询集存储在list中
			sample['xc'].append(self.center[label])	#list
			sample['xq'].append(query_set)
		#优化器
		optimizer = torch.optim.Adam(self.model.parameters(),lr=0.001)
		optimizer.zero_grad()
		protonets_loss = self.loss(sample)
		protonets_loss.backward()
		optimizer.step()

二、每一行代码的详细解释

def eucli_tensor(x, y):
    return -1 * torch.sqrt(torch.sum((x - y) * (x - y))).view(1)

这是一个函数，用于计算两个张量（tensor）之间的欧氏距离（Euclidean Distance）。它通过计算两个张量差的平方和的平方根，并乘以-1。最后通过 view(1) 将结果转换成一个形状为 (1,) 的张量。

class Protonets(object):
    def __init__(self, input_shape, outDim, Ns, Nq, Nc, log_data, step, trainval=False):
        self.input_shape = input_shape
        self.outDim = outDim
        self.batchSize = 1
        self.Ns = Ns
        self.Nq = Nq
        self.Nc = Nc
        if trainval == False:
            self.center = {}
            self.model = CNNnet(input_shape, outDim)
        else:
            self.center = {}
            self.model = torch.load(log_data + 'model_net_' + str(step) + '.pkl')
            self.load_center(log_data + 'model_center_' + str(step) + '.csv')

这是一个 Protonets 类的定义，它有一个构造函数 __init__，用于初始化类的属性。其中的参数含义如下：

• input_shape：输入数据的形状。
• outDim：输出维度。
• Ns：支持集（support set）的数量。
• Nq：查询集（query set）的数量。
• Nc：每次迭代所选类别数。
• log_data：模型和中心的存储位置。
• step：训练的步数。
• trainval：是否重新开始训练模型。

根据 trainval 的取值，分为两种情况进行初始化：

1. trainval=False：表示训练一个新的模型。此时，初始化一个空的中心字典 self.center，并创建一个名为 CNNnet 的模型对象 self.model，其输入形状为 input_shape，输出维度为 outDim。
2. trainval=True：表示加载已经训练好的模型和中心。同样，初始化一个空的中心字典 self.center。然后通过 torch.load 加载之前训练保存的模型文件 log_data + 'model_net_' + str(step) + '.pkl'，并将其赋给 self.model。接着调用 load_center 方法加载之前训练保存的中心文件 log_data + 'model_center_' + str(step) + '.csv'。

---

总结

这段代码是一个用于实现 Protonets 算法的类。