AI大模子企业应用实战(24)-什么是zero-shot, one-shot和few-shot Learning

1 Zero-shot learning

零样本学习。
1.1 任务界说

利用训练集数据训练模子，使得模子可以或许对测试集的对象进行分类，但是训练集种别和测试集种别之间没有交集；期间需要借助种别的描述，来建立训练集和测试集之间的联系，从而使得模子有用。
Zero-shot learning 就是希望我们的模子可以或许对其从没见过的种别进行分类，让机器具有推理能力，实现真正的智能。此中零次（Zero-shot）是指对于要分类的种别对象，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，如今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描述。
普通点说就是：假设小暗（纯粹由于不想用小明）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任务，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：“斑马有着马的外貌，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。。。）。
上述例子中包含了一个人类的推理过程，就是利用已往的知识（马、老虎、熊猫和斑马的描述），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拟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种别的训练样本。但是我们可以学习到一个映射X->Y。假如这个映射充足好的话，我们就可以处理没有看到的类了。
One-shot learning 指的是我们在训练样本很少，甚至只有一个的情况下，仍旧能做猜测。这是怎样做到呢？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本领的update。
2.1 One-Shot Learning的意义

① 减少训练数据

深度学习需要大量的数据。如MNIST为了10个种别的区分，需要60000张训练图像，平均一个种别需要6000张训练图像。
One-Shot试图将一个种别的训练图像减少，极端情况时只有一张图片。
② 在新种别的数据出现时，无需重新训练

传统的神经网络无法处理没有出如今训练集中的种别。
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，都是一个种别，需要重新训练深度神经网络。假如每天都有新员工入职，每天都要重新训练网络，成本非常高。
One-Shot Learning可以无需重新训练即可应用于新的种别的数据。
One-shot learning 属于Few-shot learning的一种特殊情况。
3 Few-shot learning

小样本学习
假如训练集中，差别种别的样本只有少量，则称为Few-shot learning.
就是给模子待猜测种别的少量样本，然后让模子通过查看该种别的其他样本来猜测该种别。好比：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训练数据的情况下能获得准确分类测试样本的模子
  
• 零样本学习的目标是猜测训练数据集中没有出现过的类
  

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) 经常会和零样本学习混在一起。单样本学习是小样本学习题目标一个特例，它的目标是从一个训练样本或图片中学习到有关物体种别的信息。单样本学习的一个例子是，智能手机中使用的人脸识别技术。
关注我，紧跟本系列专栏文章，咱们下篇再续！

作者简介：魔都架构师，多家大厂后端一线研发履历，在分布式系统计划、数据平台架构和AI应用开发等范畴都有丰富实践履历。
各大技术社区头部专家博主。具有丰富的引领团队履历，深厚业务架构和解决方案的积累。
负责：

• 中央/分销预订系统性能优化
  
• 活动&券等营销中台建设
  
• 交易平台及数据中台等架构和开发计划
  
• 车联网核心平台-物联网连接平台、大数据平台架构计划及优化
  
• LLM应用开发
  

目前主攻低落软件复杂性计划、构建高可用系统方向。

参考：

• 编程严选网
  

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。

继续阅读请点击广告