深度学习: Zero-shot Learning / One-shot Learning / Few-shot Learning

Introduction

在 迁移学习 中，由于传统深度学习的 学习能力弱，往往需要 海量数据 和 反复训练 才能修得 泛化神功 。为了 “多快好省” 地通往炼丹之路，炼丹师们开始研究 Zero-shot Learning / One-shot Learning / Few-shot Learning。

爱上一匹野马 (泛化能力)，可我的家里没有草原 (海量数据) 。

Learning类型

分为：
Zero-shot Learning、One-shot Learning、Few-shot Learning、传统 Learning 。

Zero-shot Learning

Zero-shot Learning，零次学习。

成品模型 对于 训练集 中 没有出现过 的 类别，能自动创造出相应的映射： X X -> Y Y 。

既要马儿跑，还 不让 马儿吃草。

One-shot Learning

One-shot Learning，一次学习。

wikipedia：

One-shot learning is an object categorization problem in computer vision. Whereas most machine learning based object categorization algorithms require training on hundreds or thousands of images and very large datasets, one-shot learning aims to learn information about object categories from one, or only a few, training images.

训练集中，每个类别 都有样本，但都只是 少量样本 。

既要马儿跑，还不让马儿 多 吃草。

Few-shot Learning

Few-shot Learning，少量学习。

也即 One-shot Learning 。

传统 Learning

即传统深度学习的 海量数据 + 反复训练 炼丹模式。

家里一座大草原，马儿马儿你随便吃。