小样本学习和元学习基础知识
人工智能最终依赖于大数据中学习。很难用很少的数据快速概括一个模型。相反，人类可以快速应用他们过去学到的东西来学习新事物。一个重要的方向是缩小人工智能与人类之间的差距。通过有限数据进行学习。
少样本学习（few-shot learning）
深度学习是data hunger的方法， 需要大量的数据，标注或者未标注。少样本学习研究就是如何从少量样本中去学习。拿分类问题来说,每个类只有一张或者几张样本。少样本学习可以分为zero-shot learning（即要识别训练集中没有出现过的类别样本）和one-shot learning/few shot learning（即在训练集中，每一类都有一张或者几张样本）。
人类是有少样本学习的能力。以zero-shot learning来说，比如有一个中文 “放弃”，要你从I, your, she, them, abnegation 五个单词中选择出来对应的英文单词，尽管你不知道“放弃”的英文是什么，但是你会将“放弃”跟每个单词对比，而且在你之前的学习中，你已经知道了I, your, she, them的中文意思，都不是“放弃”,所以你会选择abnegation。
首先明确几个概念
（1）support set :每次训练的样本集合
（2）query set :用于与训练样本比对的样本，一般来说query set就是一个样本
（3）在support set中，如果有n个种类，每个种类有k个样本，那么这个训练过程叫n -way k-shot ，如下图就是5-way 1-shot。
元学习（meta learning）
元学习是要“学会如何学习”，即利用以往的知识经验来指导新任务的学习，具有学会学习的能力，元学习被视为实现通用人工智能（Artificial General Intelligence，AGI）的基础，也必将令人工智能走出深度学习的困境。目前，元学习方法主要分为：度量方法、模型方法、优化方法以及基于数据增强。
基于度量的元学习的核心思想类似于最近邻算法(k-NN分类、k-means聚类)和核密度估计。该类方法在已知标签的集合上预测出来的概率，是support set中的样本标签的加权和。权重由核函数计算得出，该权重代表着两个数据样本之间的相似性。Convolutional Siamese Neural Network提出了一种用孪生网络做one-shot image classification的方法；Matching Network对support set进行特征提取后，在embedding空间中利用Cosine来度量，通过对测试样本计算匹配程度来实现分类；Relation Network关系网络提出的relation module结构替换了Matching Network和Prototypical Network中的Cosine和欧式距离度量，使其成为一种学习的非线性分类器用于判断关系，实现分类；Prototypical Network利用聚类思想，将support set投影到一个度量空间，在欧式距离度量的基础上获取向量均值，对测试样本计算到每个原型的距离，实现分类。然而，虽然训练模型不需要针对测试任务进行调整，但当测试与训练任务距离远时，效果不好，另外，当任务变得更大时，逐对比较会导致计算成本昂贵。
meta learning 是学习如何学习，few-shot learning 是要达到的目标（用一点点训练资料就可以训练出我们要的结果）。为什么觉得meta learning 和few-shot learning 像呢？就是希望达到few-shot learning，想要一个学习演算法只看到一点点资料就可以学起来。few-shot learning的Algorithm往往是用meta learning 得到的。
k-way是support set 里有多少个类别；n-shot是每个类别有多少个例子。
如果做few-shot 分类，预测的准确率会受support set 的类别数量和样本数量影响。随着分类类别数量增加，准确率会降低；随着number of shot的增加预测值会增加。
学一个函数来判断相似度。
其他
Omniglot数据集
常用的数据集：Omniglot是meta learning最常用的数据集。这个数据集不大，只有几兆，很适合学术界使用。Omniglot有点类似MNIST。MNIST有10个类每个勒有6000个样本；Omniglot的类别很多，每个类的样本却很少，有1600多个类，每个类只有20个样本。
另一个数据集是Mini-ImageNet。一共有100类，每个类有600个样本，样本是84*84的小图片。
https://deepai.org/dataset/imagenet
分类问题：
（1）Siamese Neural Network
（2）Matching Network
（3）Prototypical Network
（4）Relation Network
介绍两种训练方法。第一种是每次取两个样本，比较它们的相似度，需要用大的数据集，每类有标注，每类下面有很多个样本。用训练集构造正样本和负样本，正样本告诉神经网络什么东西同一类，负样本可以告诉神经网络它们的区别。正样本是通过每次抽取一张图片，然后从同一类中随机抽取另一张图片，标签设置为1。负样本是随机抽取一张图片，然后排出这类，在其余类中随机抽取一张，两张图片类别不同，标签设置为0。
希望神经网络的输出接近标签，把标签和预测的差别记为损失函数，可以是cross entropy。有了损失函数就可以用反向传播来计算梯度，然后用梯度下降来更新模型参数。
Siamese Network是计算两两之间的相似度。另一种方法是triplet Loss。每次需要三张图做一轮训练，首先从训练集中随机选一张图片作为anchor（锚点），记录下这个锚点，然后从该类别中随机抽取一张图片作为正样本，然后排出这个类别，做随机抽样，得到一个负样本。
Prototypical Networks是基于这样一种思想，对于每个类别，都存在一个嵌入空间中的点，称为类的原型，每个样本的嵌入空间表示都会围绕这个点进行聚类。为了做到这一点，即利用神经网络的非线性映射将输入映射到嵌入空间，并将嵌入空间中支持集的平均值作为类的原型。预测分类的时候，就只需要比较跟支持集类别的哪个类的原型更近了。
基于度量的元学习的核心思想类似于最近邻算法(k-NN分类、k-means聚类)和核密度估计。该类方法在已知标签的集合上预测出来的概率，是support set中的样本标签的加权和。权重由核函数计算得出，该权重代表着两个数据样本之间的相似性。因此，学到一个好的核函数对于基于度量的元学习模型至关重要。度量元学习正是针对该问题提出的方法，它的目标就是学到一个不同样本之间的度量或者说是距离函数。任务不同，好的度量的定义也不同，但它一定在任务空间上表示了输入之间的联系，并且能够帮助我们解决问题。
Siamese Neural Network孪生网络做one-shot image classification的方法；Matching Network对support set进行特征提取后，在embedding空间中利用Cosine来度量，通过对测试样本计算匹配程度来实现分类；Relation Network关系网络提出的relation module结构替换了MatchingNet和Prototypical Net中的Cosine和欧式距离度量，使其成为一种学习的非线性分类器用于判断关系，实现分类；Prototypical Network利用聚类思想，将support set投影到一个度量空间，在欧式距离度量的基础上获取向量均值，对测试样本计算到每个原型的距离，实现分类。
然而，虽然训练模型不需要针对测试任务进行调整，但当测试与训练任务距离远时，效果不好，另外，当任务变得更大时，逐对比较会导致计算成本昂贵。基于度量的元学习方向倾向于最大程度上抽取任务样本内含的特征，使用特征比对的方式判定样本的种类，因此如何提取最能代表样本特点的特征便成为了该方向研究重点。相比于普通学习得到的特征表示，元学习得到的特征表示（Meta-learned Representations）是有区别的，更有助于少样本学习。
使用元学习的特征表示能够提升少样本学习的效果，作者归为两种不同的机制：
（1）固定特征提取模块的参数，只更新（微调）最后的分类层（Classification Layer）参数。在这种机制下，类别数据点在特征空间中会更加聚集，那么在微调时，分类边界对于提供的样本会没那么敏感。
（2）在模型参数空间寻找最优点作为基础模型，该最优点接近大部分特定任务（Task-specific）模型参数的最优点，那么在面对新的特定任务时，能够通过几步的梯度计算，将基础模型更新为适用于新任务的特定模型。
后续会持续更新关于小样本学习的文章。
每天按时吃饭绝不敷衍，致力于不断寻找更多的人类美食，然后…然后我就胖了。
大家也要按时吃饭哟??
祝大家国庆节快乐哇！😁
