关于数据集设置的一些咨询

[ZhangYuan1998]

作者您好！

因为近期在follow您的工作。关于您的实验设置有以下两点疑惑：

1.论文提到，实验是采用3天的作为目标数据，剩余数据作为验证数据。我在代码里看到的是这样：

这样的话是用的后20%的数据作为测试，而不是剩余80%的数据。

2.此外chengdu和shenzhen的采样频率是10分钟每次，是不是意味着chengdu和shenzhen是用了6天的数据？

[RobinLu1209]

你好，感谢关注！

问题1回复：只要测试样本保持一致即可，您可以根据实验需要进行修改。

问题2回复：嗯嗯，我们在5.1.2节中说明了数据的时间分辨率。

[huiguhean]

我注意到预训练是对三个元数据集训练的，但是在代码部分，在
class traffic_dataset(Dataset):
有一个参数add_target=True，这个参数为True意味着预训练阶段会把目标城市的数据集也加入到预训练阶段，是这样吗

[RobinLu1209]

你好，这个参数是可以设置的，当add_target=True意思是会把few-shot的target domain的数据加入训练。

[huiguhean]

关于maml训练过程， def meta_train_revise里，因为每个task的内循环训练更新之后，都有self.model = deepcopy(maml_model)，再用qry累计计算得到loss，但是最后对self.model参数进行更新的self.model是复制于最后一个task内循环更新之后的，也就是task_num设置再怎么大，self.model也只是取自最后一个task内循环更新之后的loss，初始模型经历过内循环更新之后进行更新，这样没办法对初始模型init_model进行更新。因为maml是要找一个最佳初始模型的参数，而不是像简单的迁移学习一样，找进行更新之后的参数。有没有什么办法，能直接对init_model得到loss，从而更新初始参数，最终找到一个最佳的初始参数，而不是，内循环5步之后，再qry得到loss，对已经更新了五步的self.nodel多更新一步，似乎对少样本没什么帮助。求指一条maml的模板，能对初始模型评价loss然后更新参数的，虽然这里也能对初始模型评价loss，评价初始参数的好赖，但是更新的不是初始模型参数，而是最后一个task的更新5步后的模型进行的更新。
T_T

[huiguhean]

我好像理解了，内循环跟新次数要尽量小一点，task_num可以多一点，这样，model_loss.back这里计算的是多个task的平均loss的梯度，这里的梯度按maml的道理应该是对初始模型参数更新的，但是代码只能做到对更新后的模型参数更新，但是我用在少样本上效果不理想

[huiguhean]

我好像理解了，内循环跟新次数要尽量小一点，task_num可以多一点，这样，model_loss.back这里计算的是多个task的平均loss的梯度，这里的梯度按maml的道理应该是对初始模型参数更新的，但是代码只能做到对更新后的模型参数更新，只能取最后一个task更新后的做近似，但是我用在少样本上效果不理想