传统的CNNs (AlexNet, VGG, GoogLeNet, ResNet, DenseNet…)在数据集中每个类样本数量较多的情况下表现良好。不幸的是，当你拥有一个小数据集时，它们通常不能很好地工作。但是，在许多真实的场景中，收集数据是很有挑战性的。例如，在人脸识别系统中，通常每个人的图像都很少，或者在医学领域中，一些罕见疾病的病例也很有限。

那么，当你的类别中只有5个样本，甚至每个类别只有一个样本时，深度学习能提供什么呢？这个问题被称为few-shot learning。这是一个活跃的研究领域，有许多成功的方法可以采用。在本文中，我将只提到一些最有前途的体系结构。

这篇文章不会深入地解释架构，因为这会使文章变得很长。相反，我将只介绍架构的主要思想，以便任何希望处理小数据集的人都可以对模型有一个大致的了解。

Siamese Neural Networks

Siamese神经网络以两个样本作为输入，输出给定输入是否属于同一类的概率(或损失)。输入样本通过相同的网络(共享权值)，它们的嵌入在损失函数中进行比较(通常使用基于嵌入的差异的度量)。在训练过程中，“网络”学会以更稳健的方式对输入进行编码。首先，在支持集(验证步骤)上对模型进行训练，以学习相同/不同的配对。然后，将测试样本与训练集中的每个样本进行比较，得到基于学习的编码后的测试样本与每个类(one-shot task)的相似度。它是在few-shot学习领域中第一个成功的模型之一，并成为其他模型的基础。

Triplet Network and Triplet Loss

Triplet Network是对Siamese 网络的扩展。Triplet网络不使用两个样本，而是使用三个样本作为输入：positive、anchor和negative样本。Positive样本和anchor样本来自同一类，negative样本来自不同类。Triplet损失的安排使得anchor的嵌入靠近positive而远离negative。通过这种方式，网络在提取嵌入信息时变得更加健壮。Triplet Networks已应用于人脸识别数据集，显示出非常好的性能。

Matching Networks

匹配网络将嵌入和分类相结合，形成端到端可微的最近邻分类器。对于模型的预测，ŷ是标签的加权和，yᵢ是训练集。权重是成对相似性函数a(????̂, xᵢ)，查询(测试)样本和支持(训练)样本之间的相似性。匹配网络的关键是相似函数的可微性。

其中C代表了余弦相似度函数，k是在训练集中的样本总数，函数f* 和g是嵌入函数。总体而言，在测试样本????̂的嵌入和训练集样本xᵢ的嵌入之间计算相似性。这个工作的主要创新点就是对嵌入函数优化得到最大的分类精度。

Prototypical Networks

原型网络不将测试样本与所有训练样本进行比较，而是将测试样本与类原型(或平均类嵌入)进行比较。其关键假设是对于每个类别，存在一个嵌入，簇样本的表示是分布在这个原型的嵌入cₖ的周围的。在他们的论文中，证明了它的性能优于匹配网络。

Meta-Learning

元学习意味着学会学习。元学习试图训练模型的参数，使其通过一个或多个梯度步骤(像人类一样)在新任务中表现最佳。模型的参数根据更新后的特定于任务的参数进行更新，使得任何任务在完成单一步骤后，其性能都是最高的。

与模型无关的元学习(MAML)的目的是学习一个通用的模型，这个模型可以很容易地对许多任务进行微调，只需要几个迭代步骤。对于元批处理中的每个任务，使用基模型的权重初始化一个模型。采用随机梯度下降(SGD)算法更新特定任务的权值。然后，使用更新后权重的损失总和来更新元学习者的权重。这里的目标是，对于几个不同的任务，这些参数的损失将会很小。

Bonus: MetaFGNet

除了目标任务网络外，MetaFGNet还使用辅助数据训练网络。这两个网络共享初始层(基础网络)以学习一般信息。这种方法也被称为多任务学习。将辅助数据(S)与目标数据(T)进行训练，对目标训练产生正则化效果。MetaFGNet还使用了一个名为sample selection的过程。辅助数据中的样本通过网络，对目标分类器的相似度打分，同时也计算源分类器。如果相似性高，得分也会高。只选择得分阈值以上的样本进行训练。这里主要假设辅助数据S应该具有与目标集T类似的分布。结果表明，该过程提高了整体性能。使用元学习方法进行训练效果有提升。