【小样本基础】N-way K-shot 模式和训练策略

本篇博客对元学习 N-way K-shot 模式进行了介绍，通过具体的例子说明了取值问题等细节。对元学习基础知识 （Support set，Query set）不太理解的读者可以先看这篇文章: 【小样本基础】元学习（Meta Learning）为什么能解决小样本问题（Few-shot Learning）：一个例子搞懂

• 小样本的训练不同于其他的模型训练, 小样本分类的最终目的是实现对只有少量标签样本的全新类别进行分类。
• 标签样本丰富的类别被称为 Base class ，标签样本较少的类别被称为 Novel class。样本数量之间有很严重的🍓不平衡问题。
• 即使Base class有很多的标注数据，但是在训练过程中每一次只会选择非常少的几个样本参与训练，以保证Base class 与 Novel class之间的平衡。

那么，为什么不能够尽可能地将已知类别的样本全部投入模型的训练，一次性学习更多的样本，从而使得模型更有可能得到更好的分类效果呢❓
以图神经网络为例：

1. 受制于模