【笔记】关于N-WayK-Shot分类问题的理解Time: 2019年10⽉27⽇
Author：Veagau
在看讲Repitle的论⽂【On First-Order Meta-Learning Algorithm】时，实验环节对N-Way K-Shot分类问题的SetUp进⾏的描述引起了我的⼆度思考，以前对这个问题的理解感觉没摸透，以此为契机，重新思考得出了⼀种理解。
所谓N-Way K-Shot 分类问题就是指⽤少量样本构建分类任务。主要应⽤于少样本学习（Few-Shot Learning）领域样本数据不⾜的情况，后来逐渐延伸到元学习（Meta-Learning）领域。 声音定位
元学习需要通过在⼤量的任务上进⾏学习，学习到泛化能⼒强⼤的模型算法，以快速适应新的任务，即学会学习。麻石脱硫除尘器
因为元学习是以⼀个个的任务（如分类任务）作为⾃⼰的训练数据的，传统的基于⼤量数据的训练任务显然不适⽤于⽬前的研究（算⼒约束）。 从字⾯上理解，N-Way就是N-路或N-类，K-Shot就是K-次或K-个。rake接收机
每次在构建分类任务时，从数据集⾥抽取N-类的数据，每⼀类数据由K-个样本构成。这样就形成了⼀个⼩型分类任务的数据集，实际上就是原始数据集的⼀次采样。
那这个⼩型分类任务的训练集和测试集具体是怎么划分的呢?
其实这个问题也是困扰我很久的，看了⼏篇⽂献都没明⽩。训练过程中⽤的是什么数据？测试过程中呢？直到我看到这篇论⽂中的描述：
If we are doing K-shot, N-way classification, then we sample tasks by selecting N classes from C and then selecting K + 1
examples for each class. We split these examples into a training set and a test set, where the test set contains a single example for each class.
其中关键的⼀点就是，在取数据时对于N类数据，每⼀类其实取了K+1个样本，⽽不是K个！
梭子鱼综合症然后就是这个+1引出了我的理解。
以5-Way 5-Shot分类问题为例，在构建⼀个任务的数据集时的具体流程应该如下：
1. 从元数据集（Meta-dataset）中随机抽取5类（Way）样本，每⼀类样本随机抽取5+1个（Shot）实例
元数据集：也就是整体数据集中，可以理解为传统的⼤型数据集，其中的数据类别>>N-Way，每⼀类的实例数量
>>K-Shot.
2. 从这5类样本的6个实例中，每类样本随机抽取5个实例⼀起作为Training Set（→Support Set），每⼀类剩下的⼀个实例⼀起
组成Testing Set（→Query Set）。
由于元学习是以任务（Task）作为⾃⼰的训练数据的，即元学习的实际训练集和测试集是由⼀个个的Task组成
的，所以为了进⾏区分，每个任务内部的训练集（Training Set）更名为⽀持集（Support Set）、测试集更名为
查询集（Query Set）。
3. 训练：从Support Set中每⼀类随机选取⼀个实例，⼀起够成⼀组训练数据，输⼊到模型中，进⾏训练。
4. 测试：从Query Set中随机抽取⼀个实例，⽤模型判断其属于哪⼀类。
这个判断过程其实可以视为⼀种查询过程，给定了⽀持集，只要让模型能够准确的查询到其属于⽀持集中的哪
⼀类即可证明模型性能较好。
5. 重复⼏轮，最终得出该任务模型的准确率，实际上即是元学习参数确定的模型在该任务上的损失。
6. 损失梯度反向传播到元学习参数，对其进⾏更新，也即元学习过程。
图⽰如下：
Way 1（C1）Way 2
（C2）
Way3
（C3）
Way 4
智能停车场系统管理
wifi温控器（C4）
Way5
（C5）
C11C21C31C41C51Support C12C22C32C42C52Support C13C23C33C43C53Support C14C24C34C44C54Support C15C25C35C45C55Support C16C26C36C46C56Query
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议