小样本学习综述

最新推荐文章于 2025-06-21 17:30:41 发布

原创

最新推荐文章于 2025-06-21 17:30:41 发布 · 979 阅读

4 ·

CC 4.0 BY-SA版权

本文介绍了小样本学习的关键概念，特别是Meta Learning，探讨了MAML算法的模型无关性及其在深度网络快速适应中的应用。此外，文章还讨论了原型网络的原理与实现，并分享了小样本学习在文本分类中的实践案例和优秀算法代码资源。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

说到小样本学习一定要先看Meta Learning

小样本学习的名词解释说明

MAML算法提供一个模型无关计算框架，怎么做到模型无关，主要是loss计算不同，计算框架类似adaboost，里面可以换各种算法

Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks

原始论文必看

github代码

meta.py的forward可以看出loss的计算

            for k in range(1, self.update_step):
                # 1. run the i-th task and compute loss for k=1~K-1
                logits = self.net(x_spt[i], fast_weights, bn_training=True)
                loss = F.cross_entropy(logits, y_spt[i])
                # 2. compute grad on theta_pi
                grad = torch.autograd.grad(loss, fast_weights)
                # 3. theta_pi = theta_pi - train_lr * grad
                fast_weights = list(map(lambda p: p[1] - self.update_lr * p[0], zip(grad, f