元学习中数据集的划分，剖析元任务，支持集，查询集

元学习中数据集的划分，依据论文剖析元任务，支持集，查询集

---

前言

本文依据一篇中文核心期刊来聊聊元学习中的数据集划分，论文是小样本下基于原型网络的轴向柱塞泵故障诊断模型

---

一、数据集以及数据集的划分

二、训练阶段的任务，支持集，查询集的使用

三、测试阶段的任务，支持集，查询集的使用

总结—以及我对元学习中任务，支持集，查询集的理解

1. 深度学习需要海量的数据来进行训练模型，使模型能够在回归与分类问题上有着优良的表现。但是在实际问题中，往往没有那么多数据，这就引出了元学习。利用少量的数据来使模型在回归与分类问题上处理的很好，但是数据少，如何才能表现好呢，这就需要使模型学会学习，当一个模型拥有了学会学习的能力，他就会面对新的任务也能够表现良好，具体的来说就是通过少量的样本使模型学会这些数据层面的知识，而不仅仅是数据中的具体内容，如数据的分布、不同数据的特征表示。

2. 为了让模型依据少量的数据学会学习，我们需要对这些少量的数据进行打包处理，把他们变成一个个的任务，我们结合一个具体的实例，来介绍元学习中任务，支持集，查询集的构造过程。

3. 有一个图像数据集叫：Omniglot，Omniglot包含1623个不同的火星文字符，每个字符包含20个手写的case。这个任务是判断每个手写的case属于哪一个火星文字符。如果我们要进行N-ways，K-shot（数据中包含N个字符类别，每个字符有K张图像）的一个图像分类任务。比如20-ways，1-shot分类的意思是说，要做一个20分类，但是每个分类下只有1张图像的任务。我们可以依据Omniglot构建很多N-ways，K-shot任务，这些任务将作为元学习的任务来源。构建的任务分为训练任务（Train Task），测试任务（Test Task）。每个任务包含自己的训练数据、测试数据，在元学习里，分别称为Support Set和Query Set。