前言

• 下面是犰狳和穿山甲的一些图片。现在要你判断右边给定的图片是犰狳和穿山甲。我相信应该不知道犰狳和穿山甲长啥样，但是在看了左边的 Support Set 之后，你就有能力从两者之间辨别出来。
• 既然人可以通过这四张图片分辨出犰狳和穿山甲。那么计算机能不能做到呢？显然四张图片的数据量根本不足以训练一个深度学习网络
• 本节课要讲的小样本学习就是用来解决这样的问题的
• 小样本学习的目标是让机器学会自己学习，小样本学习并不追求能够分辨没见过的食物，只求能分辨出事物的异同，让它能够在被给定两张图片的情况下分辨是不是一个东西
  

---

分辨能力

• 在数据集中并没有针对松鼠进行训练，但是模型学会了判别事物的异同，所以可以推断出这两个事物是一个东西
  
• 同理对于兔子来说，模型并不知道兔子是什么，因为在训练集中没有兔子，但是模型能分辨出两者是一个事物：
  
• 对于在训练集中没有的穿山甲和斗牛犬，模型能够识别出两者不是同一种动物
  
• 给定一个询问和一个 Support Set，模型可以分辨出询问和 Support Set 中的哪张图最像：
  

---

Meta Learning

• 小样本学习其实是一种 Meta Learning，但是这里直接把 Meta Learning 直接看成小样本学习就可以了
• Meta Learning 的实际含义是：Learn to learn，自己学会学习
• 举个例子：对于一个小朋友来说，它既没有见过水獭，也没有见过卡片上的动物，但是小朋友能够有区分不同事物的能力，所以小朋友能把眼前的事物和卡片上的匹配
  
• 在 Meta Learning 的术语中，小朋友眼前的动物就是 Query，卡片上的动物就是 Support Set，而 Meta Learning 就是培养小朋友的自主学习能力
• 如果Support Set 每个类别只有一张图片，那么就是 One-Shot Learning，如果有几张图片，就是 Few-Shot Learning
  

---

Supervised Learning vs. Few Shot Learning

• Supervised Learning： 在训练集里面有很多哈士奇的图片，模型认识哈士奇，所以能够分辨出哈士奇
  
• Few Shot Learning： 训练集里面没有兔子，模型根本就不认识兔子。所以我们给模型提供更多信息：Support Set，而有了 Support Set，模型就能认出 Query 和 Support Set 里面的兔子是一样的
  

---

$k$-way $n$-shot Support Set

• $k$-way：一共有 $k$ 个类别
• $n$-shot：每个类别有 $n$ 张图片
  

---

Prediction Accuracy

• 做 Few-Shot Learning 的时候，预测的准确率会受到类别的影响，类别越多，准确率越低：
  
• 而 shot 增加，预测的准确率随之增加
  

---

Basic Idea

• Few-Shot Learning 的想法是学习一个相似度函数：
  
• 首先可以在 Image-Net 这种大数据集先做训练，用学到的相似度函数来做预测
  
• 在预训练后，在 Support Set 中找出相似度最高的作为预测的结果：
  
• 预测实例：
  
• 常用数据集1：Omniglot。这个数据集不大，只有几兆，很适合学术界使用。这是个手写数字数据集，特点在于类别多，但是每个类别的样本比较少。有很多种字母表，每个字母表都有很多不同的字符，一共有1623种不同的字符，每个字符都由20个不同的人手写。
  
  
  
• 常用数据集2：Mini-ImageNet：