2017 NIPS
https://papers.nips.cc/paper/6996-prototypical-networks-for-few-shot-learning
https://github.com/jakesnell/prototypical-networks
?Few-shot分类问题中，对于训练集中没有给出的新类别，分类器能够仅根据新类别的几个样本就能进行归纳。作者提出了原型网络来解决这一问题，通过计算测试样本与每一个类的原型间的距离进行分类。
?简单点来说，就是每个类中样本的embedding的均值作为该类的原型，因此就可以用原型来代表这个类，分类的准则就是测试样本的embedding和每类原型的距离比较，最近的即是他属于的类。
?这一假设的依据是，存在一种embedding，能够使每类中的样本点聚类在原型周围。因此，作者使用了神经网络，得到输入到embedding空间的非线性映射， 并用每类样本的embedding的均值作为该类的原型。
?训练过程的伪代码如下：
?训练集中总的样本数为N，类别数为K。N_c是每个episode中的类别数，N_c <= K，N_s是每类中支撑集的样本数，N_q是每类中查询集的样本数。RANDOMSAMPLE(S,N)代表从S集中随机取N个元素。
1.先从K类中采样N_c 个类
?Support set： N_c way N_s shot
?Query set: N_c way N_q shot
2.计算support set的原型
3. query 中样本的embedding和support set的原型计算loss，这个loss是负的对数似然概率。
?作者在Omniglot和miniImageNet上进行了few-shot的实验。
?值得注意的一点是，作者提出，training shot 和test shot匹配，且在训练episode时使用更多的类，这样的做法是很有利的。因此，每个训练episode包含了60个类。关于这点，我看了Omniglot代码中，的确是用60类进行训练的。在miniImageNet，1-shot是30-way episodes，5-shot是20-way episodes。
?此外，距离度量函数的选择也很重要。使用欧式距离而不是余弦距离能够提升Proto. Net的准确率，20-way比5-way的准确率高。
?Matching Networks，区别：matching net使用的是一个加权最近邻分类器，而proto. Net是一个用欧氏距离的线性分类器。
?Proto. net里估计的原型和真实原型的偏差。
【阅读笔记】Prototypical Networks for Few-shot Learning
原文：https://www.cnblogs.com/Wiikk/p/12905289.html