什么是小样本学习（Few-Shot Learning）及其应用、方法和工作原理

传统上，开发机器学习系统需要收集大量的数据，并对其进行ML算法训练以产生结果。然而、

• 收集、标记和验证大数据是很昂贵的。一个机器学习项目的成本可能高达85,000美元。
• 有很多情况下，企业无法获得大型数据集，必须依靠少数例子来产生结果。例如，罕见的疾病，不会有大量的放射学图像。或者，如果智能手机需要有数以千计的用户照片来识别他们并获得解锁，这将是令人沮丧的。

小样本学习是机器学习中的一个热门话题，模型根据少数训练实例进行预测。在这篇文章中，我们将探讨小样本学习如何工作，它的应用和方法。

什么是小样本学习（FSL）？

小样本学习（FSL），在少数资料中也被称为低量学习（LSL），是一种机器学习方法，训练数据集包含有限的信息。

机器学习应用的通常做法是提供模型所能接受的尽可能多的数据。这是因为在大多数机器学习应用中，提供更多的数据可以使模型预测得更好。然而，少数几个镜头的学习旨在用较少的训练数据建立准确的机器学习模型。

小样本学习算法加上以数据为中心的模型开发方法可以帮助公司减少数据分析/机器学习（ML）成本，因为输入数据量是决定资源成本（如时间和计算）的一个重要因素。