PyTorch实战：手把手教你用Prototypical Networks搞定Omniglot小样本分类（附完整代码）

PyTorch实战：从零构建Prototypical Networks实现Omniglot小样本分类

1. 小样本学习与原型网络基础

当面对只有少量标注样本的新类别分类任务时，传统深度学习方法往往束手无策。Prototypical Networks作为小样本学习领域的经典算法，通过"学习如何学习"的元学习范式，展现出强大的few-shot分类能力。其核心思想可以用一个简单类比理解：就像人类看到几张新动物的图片后，能在大脑中形成这类动物的"原型"表征，后续只需比较新样本与各类原型的相似度即可进行分类。

原型网络的工作流程可分为三个关键阶段：

1. 特征提取：通过卷积神经网络将输入图像映射到低维嵌入空间
2. 原型计算：对每个类别的支持集样本取嵌入向量的均值，得到该类别的原型表示
3. 距离度量分类：计算查询样本与各类原型的距离，利用softmax生成概率分布

# 原型计算示例代码
def compute_prototypes(embeddings, labels):
    classes = torch.unique(labels)
    prototypes = []
    for c in classes:
        # 计算每个类别的嵌入均值
        prototypes.append(embeddings[labels==c].mean(dim=0))
    return torch.stack(prototypes)

与Matching Networks等同类方法相比，Prototypical Networks具有以下优势：