zilunzhang
commented
4 years ago 您好！DPGN是一个十分优秀的工作。但是我在阅读您的代码的时候遇到了一些问题，是关于输入GNN的初始化边，edge_feature_gd和edge_feature_gp这两个矩阵。对于5way-1shot，1query来说，它是一个10×10的矩阵，在这个矩阵的右下角的5×5的矩阵中，您将其初始化为5×5的单位阵。但是这样是合理的吗？这样子是否引入了先验知识：任意两个询问集的样本均不同类呢？另外我使用您的代码，batchsize为25，backbone使用convnet，5way-1shot最后的测试结果为64.42±0.52，最后测试出来的结果和您论文中的结果差距（66.01±0.36）有点大，我该如何修改训练方式才能达到您展示的效果呢？
您好,
-
为了公平比较，我们的初始化设置参考并延用了其他两个few-shot learning的GNN模型设置 (TPN和EGNN)。欢迎您尝试不同的初始化方式(可能需要同时修改下dataloader.py)。只要query set中的每个instance是在一个均匀分布的数据集上抽取得到的 (每个class的cardinality一样，每个class被抽到的概率也一样)，我们认为差别不会很大。
-
5way-1shot，convnet，mini-imagenet的config file已经上传，请试一下。
在使用DPGN的过程中如果还有其他问题请继续联系我们。
DPGN Team
您好！DPGN是一个十分优秀的工作。但是我在阅读您的代码的时候遇到了一些问题，是关于输入GNN的初始化边，edge_feature_gd和edge_feature_gp这两个矩阵。对于5way-1shot，1query来说，它是一个10×10的矩阵，在这个矩阵的右下角的5×5的矩阵中，您将其初始化为5×5的单位阵。但是这样是合理的吗？这样子是否引入了先验知识：任意两个询问集的样本均不同类呢？另外我使用您的代码，batchsize为25，backbone使用convnet，5way-1shot最后的测试结果为64.42±0.52，最后测试出来的结果和您论文中的结果差距（66.01±0.36）有点大，我该如何修改训练方式才能达到您展示的效果呢？