简介
如下图所示，大部分人可能分不清犰狳和穿山甲，但是只需要看一下Support set（很小的数据集）中的图片，便可以辨认Query中是什么。 那么计算机能做到这种事吗？（我们知道，对于数量很小的数据集，是不足以训练一个深度神经网络的。）
few-shot learning 就是针对小样本分类问题的方法，他的目标不是让机器识别训练集中图片内容是什么，并且泛化到测试集，他的目标是让机器自己学会学习，让机器学会理解事物的异同。
大概步骤：
- 在一个很大的数据集上训练一个深度神经网络，让网络具有分辨异同的能力。
- 训练完毕后，测试下图所示这个问题。尽管训练集中没有松鼠这个类别（也就是说网络并不知道这是松鼠），但是网络已经具有分辨异同的能力，所以网络可以辨认出这是两张相同的图片。
?
- 换一种问法，给出一张Query图片，让神经网络给出类别，由于训练时并没有见过这个类别，所以神经网络无法辨别。所以需要增加一个Support Set包含这个类别，神经网络把Query与support set中的图片依次对比，选出最相似的。
注意训练集和Support Set的区别：训练集很大，用来训练一个深度神经网络。Support set很小，通常每类只有几张图片，用来在预测的时候提供额外信息。
Meta Learning
- few-shot learning is kind of meta learning
- Meta learning: learn to learn
举例：小朋友去动物园，并不认识眼前的动物，给他一堆卡片，小朋友翻过一遍卡片，便可以判断眼前是什么动物。
注意，前提是小朋友具有分辨异同的能力，这个能力的培养就是meta learning。
传统监督学习
Few shot learning
术语
预测准确率
预测准确率受Support set中类别与样本数量影响，如下图所示：
- 随类别数量增加降低：还是动物园的例子，给他三张卡片比给出六张卡片更容易选。
- 随每类样本数量增加而增加
Few shot基本思想
学习一个函数，判断相似度：
具体的：
常用数据集
Omniglot
只有几兆，类别多。有1600多个类，每类20个样本。
Mini-ImageNet
100类，每类600个样本，都是84*84的。
