元学习与小样本学习理解 Meta learning and Few shot learning

 元学习     

      1. 训练策略：样本划分如下图所示，

        任务之间：每一行都是一个任务 task ,任务与任务之间的类别不尽相同，也就是说一般类别是不同的，有一点重叠无所谓（只要保证任务与任务的类别的不同就行了，因为这就是这种样本划分机制的关键所在）。

       任务之内，也将样本划分为两部分。training data 有的论文也把它叫做 support data , test data 有的论文也把它叫做 Query data 。Query data的类别属于support data中的类别。

       将模型经过大量的训练，每次训练都遇到的是不同的任务，这个任务里存在以前的任务中没有见到过的样本。所以模型处理的问题是，每次都要学习一个新的任务，遇见 nuseen 的class。 经过大量的训练，这个模型就理所当然的能够很好的处理一个新的任务。这个新的任务就是小样本。

        当进行Meta-testing的时候，新的任务Task 的样本设置与训练中的任务一样。现在我有 N wey k shot 的经过标记的小样本，这些样本都是以前训练中所没见过的，希望能够在这几个小样本的帮助下，能够分类识别未标记的若干张图片（当然这几张图片的类别属于 N wey）。

       更抽象的理解：这种训练方式，在经历无数的不同任务训练之后，能够更好的处理任务之间的不同，忽略特定任务的特