Few-shot Learning、One-shot Learning、Zero-shot Learning

机器学习任务按照对 样本量 的需求可以分为：传统监督式学习、Few-shot Learning、One-shot Learning、Zero-shot Learning。

• 传统learning，炼丹模式。
  传统深度学习的学习速度慢，往往需要学习海量数据和反复训练后才能使网络模型具备泛化神功，传统learning可以总结为：海量数据 + 反复训练（炼丹模式）。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。

• One-shot Learning，一次学习。
  训练集中，每个类别都有样本，但都只是少量样本

• 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。

• Few-shot Learning，少量学习。
  有的l划分方法会区分one-shot与few-shot，将训练集中每个类别都只有一个样本的学习称作one-shot learning，每个类别都只有少量样本的称作few-shot Learning 。