原型网络学习笔记

目的

为了解决小样本分类问题，提出原型网络。学习一个度量空间，分类可以通过计算到每个类的原型表示的距离来执行，分类器必须泛化到训练集中没有出现的新类。

小样本分类中目前存在的问题以及进展：

分类器必须适应训练集中没有出现的类。训练数据集少，会出现严重的过拟合现象。匹配网络：匹配网络在embedding得到特征向量后，通过引入注意力分析两者的相似性。元学习的训练思想可以很好的把知识迁移到新颖的类。

解决方案：

将support set数据集映射到一个度量空间中，对每个类别中的元素计算中心点，由中心点来代表这个类别。使用神经网络学习输入到嵌入空间的非线性映射，并将类的原型作为其在嵌入空间中的支持集的均值。主要解决过拟合问题。论文表述，距离的选择至关重要，欧式距离效果比余弦相似度好的多。

在supportset中取出一个类别中所有的样本，放入神经网络中，得到m维特征向量，将其累加起来，除所有样本的个数，得到一个平均向量。