零次学习（zero-shot learning）

零次学习（zero-shot learning）

  ZSL就是希望能够模仿人类的这个推理过程，使得计算机具有识别新事物的能力。

                                                                                     图1 ZSL概念图

ZSL就是希望我们的模型能够对其从没见过的类别进行分类，让机器具有推理能力，实现真正的智能。其中零次（Zero-shot）是指对于要分类的类别对象，一次也不学习。

假设我们的模型已经能够识别马，老虎和熊猫了，现在需要该模型也识别斑马，我们首先需要告诉模型，怎样的对象才是斑马，但是并不能直接让模型看见斑马。所以模型需要知道的信息是马的样本、老虎的样本、熊猫的样本和样本的标签，以及关于前三种动物和斑马的描述。将其转换为常规的机器学习，这里我们只讨论一般的图片分类问题：

1）训练集数据 及其标签  ，包含了模型需要学习的类别（马、老虎和熊猫），这里和传统的监督学习中的定义一致；

2）测试集数据  及其标签  ，包含了模型需要辨识的类别（斑马），这里和传统的监督学习中也定义一致；

3）训练集类别的描述  ，以及测试集类别的描述  ；我们将每一个类别  ，都表示成一个语义向量  的形式，而这个语义向量的每一个维度都表示一种高级的属性，比如“黑白色”、“有尾巴”、“有羽毛”等等，当这个类别包含这种属性时，那在其维度上被设置为非零值。对于一个数据集来说，语义向量的维度是固定的，它包含了能够较充分描述数据集中类别的属性。

在ZSL中，我们希望利用  和  来训练模型，而模型能够具有识别  的能力，因此模型需要知道所有类别的描述  和  。

              

                                                                                        图2 ZSL设置图

        利用训练集数据训练模型，使得模型能够对测试集的对象进行分类，但是训练集类别和测试集类别之间没有交集；期间需要借助类别的描述，来建立训练集和测试集之间的联系，从而使得模型有效。