零样本学习（zero shot learning）

Zero-shot learning
零样本学习，简单理解就是把Few-shot learning模型中的Support Set去掉，只保留训练集和查询条件，但需要额外补充一个待分类的类别描述。即利用训练集数据训练模型，使得模型能够对测试集的对象进行分类，但是训练集类别和测试集类别之间没有交集；期间需要借助类别的描述，来建立训练集和测试集之间的联系，从而使得模型有效。举个例子（如图），训练集包括horse、donkey、hyena、tiger、penguin、panda六个类别，这六个类别中每两个类别有一些相同特征，比如tiger和hyena都有条纹，模型训练完后便会将这些特征量化。测试集只有斑马这一个类别，因此也只有一个类别描述——Zebra Descriptions（horse-like，stripe，black&white），每个描述会包含几个特征，此时当我们输入斑马的图片时，模型会把图片与测试集中所有的类别描述一一比对，符合描述所有特征的即为正确分类。