Few-Shot Learning 基本思想：
????????在大规模训练集中训练Siamese network
????????????????? 从 k-way 和 n-shot 中给出一组support set
????????????????????????? k-way 意味着k类
????????????????????????? n-shot 表示每个类别有n个样本
????????????????????????? 培训集不包含k类
????????????????? 给出一个查询，预测其类别
????????????????????????? 使用Siamese network计算相似性或距离
数据集：
?......
开始训练神经网络
????????搭一个卷积神经网络，用来提取特征。这个神经网络有很多卷积层、pool层以及一个Flatten层。输入是一张图片，输出是提取的特征向量，把输入记为x，把输出的特征向量记作f(x)。
?????????准备好训练数据，比如输入是两只老虎，标签是1。把这两张图片输入神经网络，刚才搭建的卷积神经网络记作函数f。卷积神经网络输出提取的特征向量，把第一张图片X1的特征向量记作h1，把第二张图片X2的特征向量记作h2（强调一下，只有一个卷积神经网络，这两个f指的是同一个神经网络）。然后拿h1-h2，得到一个向量，在对这个向量的所有元素，求绝对值记作向量z，表示两个特征向量之间的区别（即z=|h1-h2|）。再用一些全连接层来处理这个z向量，最终输出一个标量。最后用Sigmoid激活函数，得到的输出是一个介于0到1之间的实数，这个输出就可以衡量两个图片之间的相似度。如果两张图片是同一个类别，那么输出应该接近1，如果两张图片不同，那么输出应该接近0。之前我们已经准备好了标签，这两张图片都是老虎，所以标签是1。希望神经网络的输出接近标签，把标签与预测之间的差别作为损失函数。
????????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。模型主要有两个部分，一个是卷积神经网络f（用来从图片提取特征），另一部分就是这些全连接层（用来预测相似度）。训练的过程就是更新这两部分的参数，做反向传播，梯度从损失函数传回到向量z以及全连接层的参数。有了损失函数，关于全连阶层的梯度就可以更新全连阶层的参数了。然后梯度进一步从向量z传播到卷积神经网络f，用计算出的梯度来更新卷积层的参数，这样就完成了一轮训练。
????????做训练的时候，要准备同样数量的正样本和负样本。负样本的意思是这两张图片是不同的事物，负样本的标签设置为0，希望神经网络的预测接近0，意思是这两张图片不同，还是用同样的方法做反向传播，然后更新卷积层和全连接层的参数。
?????????训练好模型之后，可以拿它来做One-Shot Prediction，这个例子里的Support set是six-way one- shot 一共有六个类别，每个类别只有一张图片。注意一下，这六个类别都不在训练集里，这就是future learn的困难之处。现在来了一个Query（知道它一定属于support六个类别中的一个），判断它属于哪一个?。具体做法就是逐一对比Query与Support的图片，Siamese network会输出一个介于0到1之间的值。有了所有这些相似度，查找相似度最高的发现，Query与松鼠的相似度最高，所以判断Query是松鼠。
?未完待续.......
参考内容：