Zero-shot, One-shot和Few-shot的理解

目录

一、传统监督式学习

二、Zero-shot learning （零样本学习，简称ZSL）

三、Few-shot learning

3.1 什么是Meta

3.2 什么是Meta Learning？

3.3 Few-shot learning

四、One-shot learning

---

机器学习任务按照对 样本量 的需求可以分为：传统监督式学习、Few-shot Learning、One-shot Learning、Zero-shot Learning。

一、传统监督式学习

传统learning，炼丹模式。传统深度学习的学习速度慢，往往需要学习海量数据和反复训练后才能使网络模型具备不错的泛化能力，传统learning可以总结为：海量数据 + 反复训练（炼丹模式）。

为了 “多快好省” 地通往炼丹之路，开始研究 Zero-shot Learning / One-shot Learning / Few-shot Learning。

二、Zero-shot learning （零样本学习，简称ZSL）

任务定义：

利用训练集数据训练模型，使得模型能够对测试集的对象进行分类，但是训练集类别和测试集类别之间没有交集；期间需要借助类别的描述，来建立训练集和测试集之间的联系，从而使得模型有效。

零样本学习就是希望我们的模型能够对其从没见过的类别进行分类，让机器具有推理能力，实现真正的智能。其中零次（Zero-shot）是指对于要分类的类别对象