prototypical-networks-for-few-shot-learning------论文阅读笔记

前言 本文提出了用于few-shot learning的原型网络（prototypical network），它的基本思想是，在一个embedding空间中，每个类都有一个原型表示（prototypical representation），每个类的点都聚集在这个原型表示周围。具体来说就是，通过一个非线性映射将输入映射到一个embedding空间中，提取每个类别中样本的均值（mean）作为该类在em...

这里写目录标题AbstractIntroductionPrototypical Networks框架图和重要部分 Abstract 本文提出的原型网络，其中分类器可以很好地泛化到其他没有在训练集中出现过的新类别上，每种新出现的类别，只给少量样本。原型网络学习一个度量空间，在该空间中，可以通过计算到每个类的原型表示的距离来执行分类。与其他小样本相比，本方法反映了一种更简单的归纳偏差，有利于在有限的数据范围内使用。 Introduction 小样本是一种任务，分类器必须进行调整以适应没有见过的类。可以在未知的数

这篇论文是介绍《作者公布了他的Pytorh。如果看不太懂原作者的代码话可以看一下这一个：https://github.com/orobix/Prototypical-Networks-for-Few-shot-Learning-PyTorch。

核心思想 该文章提出一种用于进行小样本分类任务的原型网络（Prototypical Network），其认为存在一种嵌入的表示方式，使得每一种类别对应的特征点都聚集在一个单独的原型表示附近。基于这一想法，作者采用了一种类似于聚类的方式，实现小样本分类任务。首先，作者采用一种简单的四级神经网络结构将输入的信息映射到高维的特征空间（度量空间），由于引入了ReLU激活函数因此该映射是非线性的。然后对于每...

Prototypical Networks for Few-shot Learning 论文链接：https://arxiv.org/abs/1703.05175 开源代码：https://github.com/jakesnell/prototypical-networks 发表时间：2017年6月 该论文属于metric_based 论文中心思想：经过神经网络学会一个映射，将所有样本映射到同一...

小样本学习的原型网络 论文原文链接：https://arxiv.org/abs/1703.05175 摘要 作者提出了一种小样本分类问题的原型网络，在这种网络中，分类器必须推广到训练集中没有的新类别，每个新类别只有少量样例。该原型网络学习一个度量空间，通过计算每个类的原型表示的距离进行分类。与最近的小样本学习方法相比，该方法反映出更简单的归纳偏好，这有益于这种有限数据的状况，因此取得了出色的效果。作者给出的分析表明，某些简单的设计决定能够产生实质的改进，超过了最近的方法，包括复杂的架构选择和元学习。作者把该

摘要：我们为小样本分类问题提出了原型网络，其中分类器能够很好的泛化到其他没有在训练集中出现的新类别，对于每一种新出现的类别，我们只给出很少的样本。原型网络学习一个度量空间，在该空间中，可以通过计算到每个类的原型表示的距离来执行分类。与最近的小样本学习方法相比，它们反映了一种更简单的归纳偏差，有利于在这种有限的数据范围内使用，并取得优异的效果。我们提供了一个分析，表明一些简单的设计决策比最近涉及复杂...

Prototypical Networks for Few-shot Learning Abstract 我们为小样本分类问题提出了原型网络，其中分类器能够很好的泛化到其他没有在训练集中出现的新类别，对于每一种新出现的类别，我们只给出很少的样本。原型网络学习一个度量空间，在该空间中，可以通过计算到每个类的原型表示的距离来执行分类。与最近的小样本学习方法...

目录[1] CVPR2020_A Unified Optimization Framework for Low-Rank Inducing Penaltie[2] CVPR2020_Automatic Neural Network Compression by Sparsity-Quantization Joint[3] CVPR2020_Cogradient Descent for Bilinear Optimization[4] CVPR2020_Adaptive Subspaces for Few-S

小样本-Prototypical Networks for Few-shot Learning K-means算法 K-means 是一种常用的聚类算法，其特点主要是简单、运算速度快、好理解，但是其职能应用于连续型的数据，并且在聚类前需要手工指定要分成几类。 K-means算法的过程： 首先输入k的值，即我们希望将数据经过聚类得到k个不同的分组。 从数据集中随机选择k个数据点作为初始中心(就是k个中心点) 对集合的每一个元素，计算其与每个初始质心的距离(距离的度量方式有多种，通常使用欧式距离、曼哈顿距离)

这段代码的主要目的是从一个特定的文件夹中加载图像数据，并将它们存储为numpy数组，以供后续的深度学习模型训练使用。

承接系列4，此部分属于原型类中的计算原型，开始训练，计算损失函数。

这是一个使用PyTorch实现的卷积神经网络（CNN）的代码。