元学习—MAML模型Pytorch实现

元学习—MAML模型Pytorch实现

之前，我们介绍了MAML模型的基本原理和基本流程，这里简单的从零开始来实现一个MAML模型。这里我们通过随机生成数据来定义十个回归任务，其中每一个回归任务的训练样本数量和测试的样本数量均为10个。为了便于展示，这里采用的单层神经网络来实现每一个回归任务。具体可以参考下面的代码展示。

1 代码展示

#encoding=utf-8
import torch
import torch.nn as nn
import torch.optim as optim
import numpy as np


def samplePoints(k):
    #随机生成50个样本点
    x = np.random.rand(k,50)
    #各个元素的采样概率均为0.5
    y = np.random.choice([0,1],size=k,p=[.5,.5]).reshape([-1,1])
    x = torch.from_numpy(x)
    y = torch.from_numpy(y)
    x = x.float()
    y = y.float()
    return x,y

class MamlModel(nn.Module):
    
    这里我们使用的是最简单的回归任务,使用了一个单层的神经网络进行实现
    没有特别复杂，理解原理就好
    
    def __init__(self,input_dim,out_dim,n_sample):
        super(MamlModel, self).__init__()
        self.input_dim = input_dim
        self.out_dim = out_dim
        self.n_sample = n_sample
        self.W = nn.Parameter(torch.zeros(size=[input_dim,out_dim]))
        #nn.init.xavier_uniform_(self.W.data,gain=1.414)
    def forward(self):
        #生成用于训练的样本
        X_train,Y_train = samplePoints(self.n_sample)
        #单层网络的训练
        Y_predict =torch.matmul(X_train,self.W)
        Y_predict = Y_predict.reshape(-1,1)
        return Y_train,Y_predict

maml = MamlModel(50,1,10)
optimer = optim.Adam(maml.parameters(),lr=0.01,weight_decay=1e-5)
loss_function = nn.MSELoss()




下面：定义一些超参数，包括迭代次数，任务数量，对于原始参数更新的学习率(对于每一个任务更新的学习率，我直接定义在
了优化器里面)，原始的向量

epoches = 1000
tasks = 10
beta = 0.0001
theta_matrix = torch.zeros(size=[10,50,1])
theta_matrix = theta_matrix.float()
ori_theta = torch.randn(size=[50,1])
ori_theta = ori_theta.float()
meta_gradient = torch.zeros_like(ori_theta)

#下面定义训练过程
def train(epoch):
    # 对每一个任务进行迭代(训练),保留每一个任务梯度下降之后的参数
    global ori_theta,meta_gradient
    loss_sum = 0.0
    for i in range(tasks):
        maml.W.data = ori_theta.data
        optimer.zero_grad()
        Y_train, Y_predict = maml()
        loss_value = loss_function(Y_train, Y_predict)
        loss_sum = loss_sum + loss_value.data.item()
        loss_value.backward()
        optimer.step()
        # print(maml.W.shape)
        theta_matrix[i, :] = maml.W
    # 对每一个任务进行迭代（测试），利用保留的梯度下降之后的参数作为训练参数，计算梯度和
    for i in range(tasks):
        maml.W.data = theta_matrix[i]
        optimer.zero_grad()
        Y_test, Y_predict_test = maml()
        loss_value = loss_function(Y_test, Y_predict_test)
        loss_value.backward()
        optimer.step()
        meta_gradient = meta_gradient + maml.W
    # 更新初始的ori_theta
    ori_theta = ori_theta - beta * meta_gradient / tasks
    print("the Epoch is {:04d}".format(epoch),"the Loss is {:.4f}".format(loss_sum/tasks))

if __name__ == "__main__":
   for epoch in range(epoches):
       train(epoch)

2 实验效果