目录
一、LibFewShot安装
1、LibFewShot代码仓库
cd ~ git clone https://github.com/RL-VIG/LibFewShot.git
2、配置环境
（1）创建anaconda环境
cd <path-to-LibFewShot> # 进入clone好的LibFewShot目录 conda create -n libfewshot python=3.7 conda activate libfewshot
（2） 安装pytorch和torchvision
（3）pip安装依赖包
cd <path-to-LibFewShot> # cd 进入`LibFewShot` 目录 pip install -r requirements.txt
安装包依赖如下：
numpy >= 1.19.5 pandas >= 1.1.5 Pillow >= 8.1.2 PyYAML >= 5.4.1 scikit-learn >= 0.24.1 scipy >= 1.5.4 tensorboard >= 2.4.1 torch >= 1.5.0 torchvision >= 0.6.0 python >= 3.6.0
3、测试安装是否正确
（1）修改run_trainer.py中config设置一行为
config = Config("./config/test_install.yaml").get_config_dict()
（2） 修改config/headers/data.yaml中的data_root为当前数据集路径，博主使用阿里云GPU，数据集在根目录下，根目录为../
（3）执行run_trainer.py
python run_trainer.py
（4）若可以训练成功，跑通1个epoch则安装正确。
二、LibFewShot结构
1、config文件夹
config文件夹，主要为LibFewShot内置的模型的初始化模型文件yaml ，及模型中的backbone，classifier和header文件。
下属若干文件的yaml中，首先调用yaml文件中罗列的参数，如果没有再去访问includes中包括的data.yaml，device.yaml等文件。
下属classfiers文件夹中，其中基于微调的方法，如SKD，RFS是需要添加预训练的emb_func和cls_classfier路径的，这一部分路径来源于reproduce文件夹的md文件中有一定说明。
下属headers文件夹中包含五个yaml文件，分别是数据集，硬件设备，保存模型与生成日志，模型预训练、支持集参数、batchsize等，优化器和学习方式。
2、core文件夹
core文件夹中为核心模块，实现了模型架构，损失函数和优化器的内部结构。另外有train和test训练所调用的内部类架构。
简而言之，core文件实现基本函数，和基本的类，包括损失函数，神经网络，数据集的构建，而config文件夹作为core文件中若干函数，类的参数。
3、reproduce文件夹
值得一提的是，reproduce文件夹下的readme.md，这个文件介绍了不同的神经网络在预训练模型上的训练分数，对比了5-way 1-shot和5-way 5-shot，miniimagenet和tieredimagenet，conv64、resnet12和resnet18在不同网络的分数。
其中一般来说，在tieredimagenet训练集上训练的分数高，resnet比conv网络显著提升，resnet12在有些情况下甚至高于resnet18，所以要注意看一下对比实验的训练效果。
下面给出readme.md的一部分参考。
另外，在微调模型上，再加上resnet网络模型，可能会导致显存爆炸，所以需要降低batchsize。
reproduce中存在若干文件夹，这些是当时训练预训练模型时的参数，可以进行参考，但是不能照搬照抄，甚至你改了若干路径之后，也是存在一些无法修改的问题，暂时没有查出来问题。
4、results文件夹
results文件夹，显而易见，就是在模型训练之后保存模型checkpoints和日志log的地方。
三、如何训练自己的数据集
1、调用主配置文件
参考上面第一条中测试安装是否正确这一点，我们将修改run_trainer中添加config的这一行，可以先使用config文件夹下的一个网络的初始化的config.yaml调用。如博主调用skd.yaml。
2、修改主配置文件
（1）如果对于非微调方法的网络，是没有cls和emb路径的，所以不用考虑，对于微调方法来说，如果基于tiercedimage数据集的，在reproduce文件夹下的readme中会介绍这两者的预训练模型，而miniimage数据集没有处理这两者的预训练模型（所以优先考虑使用tiercedimage数据集的预训练模型）。
（2）修改神经网络预训练模型为指定路径，这个要么在config/model.yaml，要么文件里已经写出可以直接修改，（要同时修改还是修改一个，记住yaml里罗列的参数优先，如果找不到该参数才会找includes中的yaml文件）
（3）修改config/data.yaml文件夹中的数据集路径为所训练数据集路径
（4）观察主配置文件夹中的backbone，classfier是否对应预训练模型的要求，若不满足则修改
（5）观察config/model.yaml文件夹中的way_num、shot_num、query_num是否满足条件，前两者就是K way-C shot的K和C，query_num是指每次运用支持集时用了多少张测试图片来评判，test_way、test_shot、test_query一般来说跟上面相同即可
