小样本学习-元学习（few-shot learning & meta learning）
few-shot learning 是 meta learning 的一种。
·
few-shot learning 是 meta learning 的一种。
support set： 是带标签的图片
目标
- 让机器学会学习，判断事物的异同，区分不同的事物（理解两张图片是否相同）
- 通过很少的样本做分类或者回归
support set和训练集的区别
训练集规模大，每个样本下面有多个样本，support set太小不足以训练一个深度神经网络，只能在预测时候提供额外的信息
传统监督学习 VS few shot learning
- 传统监督学习:用训练集学习模型，然后拿模型做预测。训练集中包含测试类别。
- few shot learning:训练集中不包含测试类别。需要给模型提供更多信息——support set。
常用术语
- k-way:support set中的类别数，与分类准确率呈负相关。
- n-shot:每个类别下的样本数，与分类准确率呈正相关。
思想：通过一个函数 sim 判断两图像的相似度
步骤：
- 从一个大训练集中学习一个相似度函数，可以判断两张图片的相似度。
- 应用相似度函数做预测。对比query和support set中每个样本的相似度
找出相似度最高的作为预测结果
数据集（常用）
- omniglot:手写字体数据集
- mini-imageNet
魔乐社区（Modelers.cn) 是一个中立、公益的人工智能社区，提供人工智能工具、模型、数据的托管、展示与应用协同服务，为人工智能开发及爱好者搭建开放的学习交流平台。社区通过理事会方式运作，由全产业链共同建设、共同运营、共同享有，推动国产AI生态繁荣发展。
更多推荐
3
0- 0
已为社区贡献3条内容
所有评论(0)