长达半年的甲方项目也算告一段了 虽然不知道会不会还要再反复改文档（害）
告别了数据分析 没想到没逃过数据标注 真 工具人小李
选了题目 开始忙了 没有选到不想做的视频和音频 但感觉那个题目也不好入手 就希望接下来都顺顺利利 关关难过关关熬过！
今天先恶补一些知识记录。
本文只做一个概念讲解 剩余请参考链接
Zero-shot Learning
概念
先解释一下什么是Zero-shot Learning？
从字面上来看，即是对某（些）类别完全不提供训练样本，也就是没有标注样本的迁移任务被称为零次学习。
zero-shot learning是为了能够识别在测试中出现，但在训练中没有遇到过的数据类别，我们可以学习到一个映射X->Y。如果这个映射足够好的话，我们就可以处理没有看到的类了，故可以被认为是迁移学习。举个通俗的例子：假设斑马是未见过的类别，但根据描述和过去知识的印象即马（和马相似）、老虎（有条纹）、熊猫（颜色）相似进行推理出斑马的具体形态，从而能对新对象进行辨认。（如下图所示）零次学习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。
入门参考：
零次学习（Zero-Shot Learning）入门
One-shot Learning
概念
什么是One-shot Learning？
one-shot learning即是对某（些）类别只提供一个或者少量的训练样本，也就是说只有一个标注样本的迁移任务被称为一次学习。
one-shot learning指的是我们在训练样本很少，甚至只有一个的情况下，依旧能做预测。要点就在于学到好的X->Y的映射关系，然后应用到其他问题上。
one-shot learning其实和zero-shot learning类似，只不过zero-shot learning提供的是无标注的样本而one-shot learning会提供少量或一个样本，也可以称为few-shot learning。
来自网上的一个定义：
解释一下就是: 这个模型中，只有少量的有 label （标签）的训练样本 S ，S 中包括 N 个样本，yi 代表各样本的 label。因为测试样本集中每个样本都有一个正确的类别，我们希望，再来新的待分类的测试样本 x’ 时候，正确预测出 x' 标签是 y'。
注： 把每个类别 yi 的单个样本换成 k个样本就 变成了k-shot learning , few-shot 一般指的是 k 不超过 20。
参考：few-shot learning是什么
网友评论