Zero-Shot、One-Shot、Few-Shot

学习方式

Zero-Shot学习、One-Shot学习、Few-Shot学习是机器学习中的概念，主要用于解决训练数据少，导致模型泛化能力差的问题。

• Zero-Shot学习：在训练集中没有某个类别的样本，但在测试集中出现了这个类别。我们需要模型在训练过程中，即使没有接触过这个类别的样本，但仍然可以通过对这个类别的描述，对没见过的类别进行分类。
• One-Shot学习：可以理解为用一条数据fine-tune模型。例如，在人脸识别场景里，你只提供一张照片，门禁就能认识各个角度的你。属于Few-Shot学习的特例。
• Few-Shot学习：在模型训练过程中，如果每个类别只有少量样本（一个或几个），研究人员希望机器学习模型在学习了一定类别的大量数据后，对于新的类别，只需要少量的样本就能快速学习。

这些概念之间的差异在于模型在处理任务时接触到的训练示例数量以及模型从这些示例中学到的能力。Zero-Shot要求模型具有广泛的背景知识和推理能力，而Few-Shot则要求模型能够从少量示例中学习并泛化到新示例。

提示工程

Zero-Sh