元学习 & Meta Learning & Few-Shot Learning 一 || 基础概念

训练集假设只有4张图片

因为我们需要分类的数据训练集非常少，所以不能用传统的神经网络训练方式来训练，因为训练不起来，所以引入few-shot Learning 的概念

few-shot learning 的目的并不是训练一个网络泛化到测试集，而是让网络自己学会学习，分辨事物的异同

Few-Shot learning

1. 术语一：support set 带标签的图片，与训练集的区别: 训练集的图片很多，而support set 每一类只包含一两张带标签的图片，只能在做预测的时候提供一些额外信息

​ 如：

​

2. 术语二：Query

   需要判别的图片，该图片可能不在神经网络训练的时候出现,，即神经网络不认识Query中的图片，但是神经网络假设已经训练出了识别事物的异同，给出Support Set，就能判 别Query中的事物处于哪个类

   

3. 与Meta Learninig的联系与区别，Few-shot learning 是Meta Learning的一种

   

4. k-way n-shot Support Set ： K-way 代表有k个类别，n-shot 代表每个类别的图片个数

   

   

   规律：

   
   随着种类的增多，准确率呈现下降趋势
   
   随着每类图片数量的增多，准确率呈现上升趋势

学习Meta Learning的基本思想

假设函数为 sim() , 输入为 x1,x2,x3，那么sim(x1,x2) = 1 ,表示x1和x2两张图片相似，否则不相似。

步骤：

1. 从一个很大的数据集里面学习一个相似度函数

   

2. 学到的函数用来做预测，给一个Query图片，用来和Support set 中的图片逐一对比计算相似度

   

   介绍两个公有数据集

   1. Omniglot ，类似MNIST ， 1600个类，每个类20张图片

      

   2. Mini-ImageNet (84*84 像素)