label数值和具体类别不是固定对应的？

[hurricanedjp]

MLMAN/models/data_loader.py

Line 220 in 43cbbdb

query_label += [i] * Q

target_classes = random.sample(self.rel2scope.keys(), N)
类别是随机选的每次类别顺序不一样，但是query label数值却是递增的。所以不同的batch，相同类别对应label数值是不同的，也就是不固定的。请问模型为什么能收敛呢？

[hurricanedjp]

并且label数值不一致的话，如何推理输出数值映射的标签呢

[xpxpx]

这里应该是每次随机选择N个类别的K个样本，一个N*K个样本作为support set，再选择这N个类别里的Q个样本作为query set。
所以，每个批次都可以看作是一个N类的分类任务，label从0到N-1。

[hurricanedjp]

@xpxpx 普通的有监督训练，不同批次训练标签肯定都是一致的，任务也是一致，学习原始数据到相应目标标签（数值）的映射，不断迭代至收敛。这里不同批次各类别的数据绑定的label数值都不一样，如何学习对应的映射，而且还能收敛。。有点不太理解

[xpxpx]

@hurricanedjp 这里的任务本质上是一个匹配的任务，每次随机选择K个类别的数据，算出这K个类别数据在特征空间中的位置，然后再计算测试数据在特征空间中和这K个类别的距离，根据距离来判断测试数据的类别。
标签的类别映射只是一种外在的表现，实际上算法做的是让测试数据在特征空间中，不断接近正确的类别。

[hurricanedjp]

@xpxpx 多谢回复，我可能大概理解你的意思。对于每一个选出来的类，模型都是在做query和类原型的匹配任务，并将这个任务的匹配度（或者匹配距离）映射到对应的label数值？
我现在的理解是 对于每一次batch或迭代，选择不同的类，不同类别与固定顺序的label数值绑定，或者说不同类别与固定顺序的匹配任务绑定，这个匹配任务包括找类中心和计算匹配度。整个训练过程中，类别有可能和不同位置（不同label值）的匹配任务绑定，然后模型学习使得所有的类别在不同位置都能找到对应的类中心，并计算匹配？

[hurricanedjp]

@xpxpx 另外因为数据没有负样本，对于不属于数据集中类别的样本要建一个新类么，或者说负类（涵盖范围较广）。inference如何处理呢，对匹配度logits设个阈值么？当然这个我也看过，对于我自己的数据，模型虽然收敛，但logits数值比较大有点不好操作

[hurricanedjp]

@xpxpx https://mp.weixin.qq.com/s/fnR_-B0PEnSpnwDN9r6btg 清华刚放出了FewReal2，就是我说的不属于数据集中任一类别样本的情况了

[xpxpx]

@hurricanedjp 这个我看了，一般的小样本学习问题的定义是query set的数据类别都是在support set内出现的。但是实际问题，没有那么完美。query set中会出现不属于support set的类别，也就是清华那篇文章提出的具有挑战的问题。