lstm原始论文_论文笔记：Matching Networks for One Shot Learning

今天写点关于 "one-shot" learning（就是从一个（或极少个）样本学习而非现在普遍的大量数据集，毕竟，一个小孩能通过一个图片知道什么是长颈鹿，而机器却需要大量的样本！） 的东西

Matching Networks for One Shot Learning这篇论文是来自谷歌DeepMind的一篇论文，主要在于解决：基于小样本去学习归类（或者别的任务），并且这个训练好的模型不需要经过调整，也可以用在对训练过程中未出现过的类别进行归类（这里可能有些绕，稍后会结合符号定义做详细的解释，其实个人觉得这个任务也颇有些“迁移学习”的感觉）。

PS. 本文的大部分内容参考自Andrej Karpathy关于这篇论文的读文笔记。也许可以看做加了自己的理解和一些补充的笔记翻译？然后，这篇论文的说话方式有点晦涩难懂，就连Andrej Karpathy也在笔记中多次提到作者的各种地方说的不太清楚，所以本人的理解也难免有错，希望有意见不一致的地方大家可以多多交流。

PPS. 其实这篇论文是下周要讲的paper reading，所以也可以说是对自己的屁屁踢做了个翻译 []~(￣▽￣)~*，虽然毕设是做对抗样本，但是平时的一些进度还是要跟着组里的方向来的。

核心思想：

训练一个端到端的类似于nearest neighbor的分类器，之所以说类似，是因为虽然整体思想是很相像的，但对于NN而言，样本是什么输入就是什么，但是在这里需要对样本学习一个样本的表示，把他们编码一下。

模型结构：

Task：

训练过程：给定一个有k个样本的支撑集

，对测试样本

分类（归类，因为

的类别是和S中的某个或几个样本类别相同