N-Shot Learning用解决数据量不够的问题
ImageNet错误率小于4%，数据量依然不够，N-Shot Learning或是终极解决之道。
许多 AI 应用系统几乎没有，甚至根本没有可以访问到它们的数据。

新技术弥补了物理资源的不足，同样，也需要新技术来满足在获得很少数据的情况下应用系统依然能正常地运行。那么，N-shot Learning 就成为了这个异常热门领域的核心话题。
“ shot ”是可供训练的实例，在 N-Shot Learning 中，有 N 个可以供训练的实例。对于“Few-Shot Learning”，“few”通常介于 0 到 5 之间，利用零个实例进行模型训练的方式被称为“Zero-Shot Learning”，而只用一个实例的就被称为“One-Shot Learning”，以此类推。这些变量都试图用不同级别的训练目标来解决相同的问题。
Few-Shot Learning 成为一个热门的研究课题已经有一段时间了。有许多新奇的使用原型网络的方法，如元学习网络（https://arxiv.org/abs/1803.00676），并且已经显示出了显著成果。研究人员也在通过强化学习来进行探索，这也有着相当大的潜力。Few-Shot Learning 这个模型最好的一点是它简单易懂，并且能产生令人难以置信的结果。