什么是One-shot Learning 、Zero-shot Learning?

One/zero-shot learning都是用来进行学习分类的算法。

Zero-shot Learing 就是训练样本里没有这个类别的样本,但是如果我们可以学到一个牛逼的映射,这个映射好到我们即使在训练的时候没看到这个类,但是我们在遇到的时候依然能通过这个映射得到这个新类的特征。

One-shot Learing 就是类别下训练样本只有一个或者很少,我们依然可以进行分类。比如我们可以在一个更大的数据集上或者利用knowledge graph、domain-knowledge 等方法,学到一个一般化的映射,也就是学习一个映射,然后再到小数据集上进行更新升级映射。

关键就在于如何学到一个好的映射,能应用到没有看到的问题上。

妈呀,,这个问题其实看到好久了,,,不知道为什么直到今天才想起来彻底弄懂。可能一个问题在你眼皮子底下总是晃悠你就不得不关注到它了。实际中我们会遇到很多问题,也许不可能遇到一个问题就要去搞懂,这样可能会大乱你的主要任务的进度,但是当你看的东西、遇到的问题越来越多的时候,你就能感觉到这个问题“比较突出”了从而彻底弄懂它。

另外,还是要抓紧锻炼自己通过英语原著学习的能力,学好英语相当于又打开了一个新的知识世界的大门。总是靠别人消化过东西来理解东西让人感觉还像个没有牙的婴儿一般,需要人把食物嚼碎了喂给你一样,总不能处在这种level。

你可能感兴趣的:(什么是One-shot Learning 、Zero-shot Learning?)