原型网络(Prototypical Networks)是一种常用于元学习的模型,旨在解决**少样本学习(few-shot learning)**问题。少样本学习要求模型能够在极少的样本(如 1-shot 或 5-shot)的情况下进行分类。原型网络通过计算每个类别的原型,并根据新样本与这些原型的距离进行分类。
在原型网络中,每个类别都用一个“原型向量(prototype)”来代表。这个原型向量是该类别所有样本的均值。分类的过程通过计算测试样本与各类别原型的距离来完成,选择距离最小的原型对应的类别作为预测结果。
原型网络的主要思想可以总结为:
- 每个类别的原型是该类样本在特征空间中的均值。
- 新的样本通过计算与各类别原型的距离(通常使用欧氏距离)进行分类。
代码视频讲解:
基于元学习原型网络Prototypical Networks网络实现图像分类_哔哩哔哩_bilibili