meta-learning笔记-few shot learning的概念

元学习：学习怎么学习

 

元学习用来解决什么？

• 小样本学习问题，小样本无法训练神经网络。

图示是传统的深度学习网络在对数据集中没出现过的松鼠进行判断时，会判断不出的例子： 

few-shot learning ：  

    是元学习的一种，可以认为是元学习

监督学习跟元学习的区别：

• 监督学习：用训练集学习模型，模型学习后可以做预测。要预测的样本有包含在训练集的类别中
• few-shot learning：所要预测的类别没有在训练集中出现过。通过对比suport set和预测样本的相似度来判断类别。

few-shot learning的术语：

 

 

few-shot learning 的实现思想：  

•              learn a Similarity Function：sim（x，x‘'）

实现步骤：

• 1step：从一个大数据集中学习一个相似度函数，用来计算两个样本的相似度
• 2step ：学习完毕后，可以用这个函数来对新样本和Support set中的样本求相似度，取相似度最高的作为输出结果

 

 

相似函数想达到的效果：最理想情况下

 

最后是模型进行预测分类的效果：新样本和Support set中的同一类样本相似度最高

：