---

一、原始代码—随机采样和评估模型

def randomSample(self,D_set): #从D_set随机取支持集和查询集（20个类中的其中一个类，shape为[20,105,105]）index_list = list(range(D_set.shape[0]))#20个图片中选5个random.shuffle(index_list)support_data_index = index_list[:self.Ns]query_data_index = index_list[self.Ns:self.Ns + self.Nq]support_set = []query_set = []for i in support_data_index:support_set.append(D_set[i])for i in query_data_index:query_set.append(D_set[i])return support_set,query_setdef evaluation_model(self,labels_data,class_number):test_accury = []center_for_test={}class_index = list(range(class_number))#600多类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center_for_test[label] = self.compute_center(support_set)#将中心和查询集存储在list中sample['xc'].append(center_for_test[label])	#listsample['xq'].append(query_set)

二、详细解释分析每一行代码

def randomSample(self,D_set):：定义一个名为randomSample的方法，该方法属于某个类的实例方法。它接受一个名为D_set的参数，这个参数应该是一个三维数组（20个类别，每个类别有105*105个数据）。

index_list = list(range(D_set.shape[0]))：生成一个包含所有索引的列表。这里使用range(D_set.shape[0])来生成从0到D_set长度（即类别数）的整数序列。

random.shuffle(index_list)：使用random.shuffle函数将index_list中的元素随机打乱顺序，以便在下面的代码中选择随机的索引。

support_data_index = index_list[:self.Ns]：选取前self.Ns个索引作为支持集的索引。

query_data_index = index_list[self.Ns:self.Ns + self.Nq]：选取从第self.Ns个索引到第self.Ns + self.Nq个索引作为查询集的索引。

support_set = [] 和 query_set = []：初始化两个空列表，用于存储从D_set中提取的支持集和查询集。

在接下来的两个循环中，对每个支持集索引和查询集索引，从D_set中提取对应的样本并添加到对应的集合中。

return support_set,query_set：返回支持集和查询集。

def evaluation_model(self,labels_data,class_number):：定义一个名为evaluation_model的方法，该方法属于某个类的实例方法。它接受两个参数：labels_data（包含所有类别数据的数组）和class_number（类别数）。

test_accury = []：初始化一个空列表，用于存储模型的测试准确度。

class_index = list(range(class_number))：生成一个包含所有类别索引的列表。

random.shuffle(class_index)：使用random.shuffle函数将class_index中的元素随机打乱顺序，以便在下面的代码中选择随机的类别。

choss_class_index = class_index[:self.Nc]：选取前self.Nc个类别作为选择的类别。

初始化一个字典sample，包含两个键值对：'xc’对应一个空列表，'xq’对应一个空列表。

在接下来的循环中，对于选择的每个类别，执行以下操作：

a. 从该类别的数据中随机选择支持集和查询集（使用之前定义的randomSample方法）。

b. 计算支持集的中心点（使用之前定义的compute_center方法）。

c. 将中心点和查询集的元素添加到字典的对应列表中。

return sample：返回包含中心点和查询集的字典。

---