zero-shot-learning-definition-examples-comparison
1 Zero-shot learning零样本学习。
1.1 使命定义
使用练习集数据练习模子，使得模子可以或许对测试集的对象进行分类，但是练习集类别和测试集类别之间没有交集；期间需要借助类别的形貌，来建立练习集和测试集之间的联系，从而使得模子有效。
Zero-shot learning 就是希望我们的模子可以或许对其从没见过的类别进行分类，让机用具有推理能力，实现真正的智能。此中零次（Zero-shot）是指对于要分类的类别对象，一次也不学习。
1.2 实例
假设我们的模子已经可以或许识别马，老虎和熊猫了，现在需要该模子也识别斑马，那么我们需要告诉模子，怎样的对象才是斑马，但是并不能直接让模子看见斑马。所以模子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形貌。
通俗点说就是：假设小暗（纯粹因为不想用小明）和爸爸，到了动物园，看到了马，然后爸爸告诉他，这就是马；之后，又看到了老虎，告诉他：“看，这种身上有条纹的动物就是老虎。”；最后，又带他去看了熊猫，对他说：“你看这熊猫是黑白色的。”然后，爸爸给小暗安排了一个使命，让他在动物园里找一种他从没见过的动物，叫斑马，并告诉了小暗有关于斑马的信息：“斑马有着马的轮廓，身上有像老虎一样的条纹，而且它像熊猫一样是黑白色的。”最后，小暗根据爸爸的提示，在动物园里找到了斑马（意料之中的了局。。。）。
上述例子中包罗了一个人类的推理过程，就是使用过去的知识（马，老虎，熊猫和斑马的形貌），在脑海中推理出新对象的具体形态，从而能对新对象进行辨认。zero-shot learning就是希望可以或许模仿人类的这个推理过程，使得盘算机具有识别新事物的能力。
2 One-shot learning --单样本学习
Zero-shot learning 指的是我们之前没有这个类别的练习样本。但是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。
One-shot learning 指的是我们在练习样本很少，乃至只有一个的环境下，仍旧能做预测。这是如何做到呢？可以在一个大数据集上学到general knowledge（具体的说，也可以是X->Y的映射），然后再到小数据上有技巧的update。
2.1 One-Shot Learning的意义
① 减少练习数据
深度学习需要大量的数据
如MNIST为了10个类别的区分，需要60000张练习图像，平均一个类别需要6000张练习图像。
One-Shot试图将一个类别的练习图像减少，非常环境时只有一张图片。
② 在新类别的数据出现时，无需重新练习
传统的神经网络无法处理没有出现在练习会合的类别。
如以员工刷脸打卡为例，使用深度神经网络，每一个新员工入职，都是一个类别，需要重新练习深度神经网络。如果每天都有新员工入职，每天都要重新练习网络，资本非常高。
One-Shot Learning可以无需重新练习即可应用于新的类别的数据
One-shot learning 属于Few-shot learning的一种特别环境。
3 Few-shot learning
小样本学习。
如果练习会合，不同类别的样本只有少量，则成为Few-shot learning.
就是给模子待预测类别的少量样本，然后让模子通过检察该类别的其他样本来预测该类别。比如：给小孩子看一张熊猫的照片，那么小孩子到动物园看见熊猫的照片之后，就可以识别出那是熊猫。
Few-shot Learning V.S Zero-shot Learning
[*]小样本学习的目标是在有少量练习数据的环境下能获得正确分类测试样本的模子
[*]零样本学习的目标是预测练习数据会合没有出现过的类
零样本学习和小样本学习有很多共同的应用，如：
[*]图像分类(image classification)
[*]语义分割(semantic segmentation)
[*]图像生成(image generation)
[*]目标检测(object detection)
[*]自然语言处理(natural language processing)
另外单样本学习(one-shot learning)常常会和零样本学习混在一起。单样本学习是小样本学习问题的一个特例，它的目标是从一个练习样本或图片中学习到有关物体类别的信息。单样本学习的一个例子是，智能手机中使用的人脸识别技能。
本文由博客一文多发平台 OpenWrite 发布！
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]