傳統的CNNs (AlexNet, VGG, GoogLeNet, ResNet, DenseNet…)在數據集中每個類樣本數量較多的情況下表現良好。不幸的是，當你擁有一個小數據集時，它們通常不能很好地工作。但是，在許多真實的場景中，收集數據是很有挑戰性的。例如，在人臉識別系統中，通常每個人的圖像都很少，或者在醫學領域中，一些罕見疾病的病例也很有限。

那么，當你的類別中只有5個樣本，甚至每個類別只有一個樣本時，深度學習能提供什么呢？這個問題被稱為few-shot learning。這是一個活躍的研究領域，有許多成功的方法可以采用。在本文中，我將只提到一些最有前途的體系結構。

這篇文章不會深入地解釋架構，因為這會使文章變得很長。相反，我將只介紹架構的主要思想，以便任何希望處理小數據集的人都可以對模型有一個大致的了解。

Siamese Neural Networks

Siamese神經網絡以兩個樣本作為輸入，輸出給定輸入是否屬于同一類的概率(或損失)。輸入樣本通過相同的網絡(共享權值)，它們的嵌入在損失函數中進行比較(通常使用基于嵌入的差異的度量)。在訓練過程中，“網絡”學會以更穩健的方式對輸入進行編碼。首先，在支持集(驗證步驟)上對模型進行訓練，以學習相同/不同的配對。然后，將測試樣本與訓練集中的每個樣本進行比較，得到基于學習的編碼后的測試樣本與每個類(one-shot task)的相似度。它是在few-shot學習領域中第一個成功的模型之一，并成為其他模型的基礎。

Triplet Network and Triplet Loss

Triplet Network是對Siamese 網絡的擴展。Triplet網絡不使用兩個樣本，而是使用三個樣本作為輸入：positive、anchor和negative樣本。Positive樣本和anchor樣本來自同一類，negative樣本來自不同類。Triplet損失的安排使得anchor的嵌入靠近positive而遠離negative。通過這種方式，網絡在提取嵌入信息時變得更加健壯。Triplet Networks已應用于人臉識別數據集，顯示出非常好的性能。

Matching Networks

匹配網絡將嵌入和分類相結合，形成端到端可微的最近鄰分類器。對于模型的預測，y?是標簽的加權和，y?是訓練集。權重是成對相似性函數a(?????, x?)，查詢(測試)樣本和支持(訓練)樣本之間的相似性。匹配網絡的關鍵是相似函數的可微性。

其中C代表了余弦相似度函數，k是在訓練集中的樣本總數，函數f* 和g是嵌入函數。總體而言，在測試樣本?????的嵌入和訓練集樣本x?的嵌入之間計算相似性。這個工作的主要創新點就是對嵌入函數優化得到最大的分類精度。

Prototypical Networks

原型網絡不將測試樣本與所有訓練樣本進行比較，而是將測試樣本與類原型(或平均類嵌入)進行比較。其關鍵假設是對于每個類別，存在一個嵌入，簇樣本的表示是分布在這個原型的嵌入c?的周圍的。在他們的論文中，證明了它的性能優于匹配網絡。

Meta-Learning

元學習意味著學會學習。元學習試圖訓練模型的參數，使其通過一個或多個梯度步驟(像人類一樣)在新任務中表現最佳。模型的參數根據更新后的特定于任務的參數進行更新，使得任何任務在完成單一步驟后，其性能都是最高的。

與模型無關的元學習(MAML)的目的是學習一個通用的模型，這個模型可以很容易地對許多任務進行微調，只需要幾個迭代步驟。對于元批處理中的每個任務，使用基模型的權重初始化一個模型。采用隨機梯度下降(SGD)算法更新特定任務的權值。然后，使用更新后權重的損失總和來更新元學習者的權重。這里的目標是，對于幾個不同的任務，這些參數的損失將會很小。

Bonus: MetaFGNet

除了目標任務網絡外，MetaFGNet還使用輔助數據訓練網絡。這兩個網絡共享初始層(基礎網絡)以學習一般信息。這種方法也被稱為多任務學習。將輔助數據(S)與目標數據(T)進行訓練，對目標訓練產生正則化效果。MetaFGNet還使用了一個名為sample selection的過程。輔助數據中的樣本通過網絡，對目標分類器的相似度打分，同時也計算源分類器。如果相似性高，得分也會高。只選擇得分閾值以上的樣本進行訓練。這里主要假設輔助數據S應該具有與目標集T類似的分布。結果表明，該過程提高了整體性能。使用元學習方法進行訓練效果有提升。