---

前言

承接系列4，此部分属于原型类中的计算原型，开始训练，计算损失函数。

---

一、原始程序—计算原型，开始训练，计算损失

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()
	
	def loss(self,sample):	#自定义loss
		loss_1 = autograd.Variable(torch.FloatTensor([0]))
		for i in range(self.Nc):
			query_dataSet = sample['xq'][i]
			for n in range(self.Nq):
				data = np.reshape(query_dataSet[n], [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
				#查询点与每个中心点逐个计算欧氏距离
				predict = 0
				for j in range(self.Nc):
					center_j = sample['xc'][j]
					if j == 0:
						predict = eucli_tensor(data,center_j)
					else:
						predict = torch.cat((predict, eucli_tensor(data,center_j)), 0)
				#为loss叠加
				loss_1 += -1*F.log_softmax(predict,dim=0)[i]
		loss_1 /= self.Nq*self.Nc
		return loss_1

二、每一行代码的详细解释

2.1 粗略分析

第一个函数 compute_center(self,data_set) 用于计算支持集中心点的坐标。输入参数 data_set 是一个 numpy 对象，代表支持集。该函数中用了一个 for 循环遍历了每一个支持集中的样本，将其嵌入到另一个空间，并计算其总和来求得所有样本的中心点。最后返回计算出的中心点的坐标。

第二个函数 train(self,labels_data,class_number) 是网络的训练函数。其中 labels_data 是标签数据，class_number 是类别数。首先从 class_number 中随机选取出 Nc 个类，对于每个选出来的类，从其标签数据 D_set 中随机选取出支持集和查询集，并将支持集传入 compute_center() 函数计算中心点。接着将计算出的中心点和查询集存储在样本字典 sample 中。最后使用 Adam 优化器对模型进行优化，并计算损失（调用了 loss 函数），将反向传播得到的梯度更新到模型中。

第三个函数def loss(self,sample)是一个自定义的损失函数，它的作用是计算样本的损失值。在这个损失函数中，使用了欧氏距离和softmax函数。

2.2 每一行代码详细分析

def compute_center(self,data_set): - 这是一个方法，用于计算给定数据集（支持集）的中心点。

2-4. center = 0 - 初始化中心点的变量为0。

5-8. for i in range(self.Ns): - 遍历数据集中的每个数据点。

9-14. 这部分代码将数据集中的每个数据点重塑为适应模型输入的形状，并将其转换为PyTorch的Variable。然后，使用模型将查询点嵌入另一个空间。

if i == 0: - 如果这是第一个数据点，则将查询点设置为中心点。

16-19. 否则，将查询点添加到中心点。

center /= self.Ns - 计算中心点，这是所有数据点的平均值。

return center - 返回计算得到的中心点。

接下来是 train 方法：

23-24. 从给定的标签数据中选择类别索引并随机洗牌。选择特定数量的类别（self.Nc）。

25-30. 对于所选类别中的每一个，从其数据中随机选择支持集和查询集。

31-33. 使用 compute_center 方法计算每个类的中心点，并将其存储在列表中。同时将查询集也存储在列表中。

34-37. 初始化优化器，这里使用Adam优化算法，学习率设置为0.001。然后清空梯度缓存。

38-42. 计算损失函数值，该损失函数是根据自定义的损失函数计算的。然后进行反向传播以计算梯度。

optimizer.step() - 使用优化器更新模型的参数。

最后是自定义的损失函数 loss：

45-46. 初始化一个张量 loss_1 为0，它用于累计损失值。

47-52. 对于每个类别（self.Nc），遍历查询集中的每个数据点。对于每个查询点，将其嵌入到另一个空间中，并计算它与每个中心点之间的欧氏距离。

53-57. 将所有的距离组合在一起，并使用softmax函数将其转换为概率值。然后，对于每个查询点，累加其与所有中心点的负对数似然损失值。

loss_1 /= self.Nq*self.Nc - 将损失值除以查询集中的数据点数量和类别数量以获得平均损失值。

return loss_1 - 返回计算得到的损失值。

---