Few-Shot Learning：基本概念

基础概念

1.few-shot learing（少样本学习）：意思是用少量带标签的样本来训练就得到一个好的模型去做分类或回归任务

2.few-shot learning是一种meta learning（元学习），它的目标是learn to learn，即让计算机自己学会学习。用一个通俗的意思来解释meta learning，当我们带小朋友去动物园时，小朋友见到了一个不认识的动物，但是他具备自主学习能力，因此我们把几个带有名字标签的图片拿给小朋友看，让他自己去学习，小朋友通过比较知道了眼前的这只动物是什么。培养计算机自主学习的过程就是meta learning。

3.Support Set：meta learning中的术语，指很小的样本集，不足以训练大的神经网络，只能在预测时提供一些参考信息。Support Set与训练集不同，训练集很大，足以训练神经网络。

4.query：要预测的图片

传统的监督学习 vs Few-Shot Learning

传统的监督学习的目标通过训练集训练模型，使经过训练的模型对新样本能正确识别。比如模型判断一张哈士奇的图片，虽然训练集没有这张图片，但是有其他上百张哈士奇的图片，模型很容易就能判断这是哈士奇。

few-shot learning的目标是让机器学会学习，判断事物的异同，区分不同的事物。（理解两图片是否相同）

我拿一个