目录
一、Zero-shot learning （零样本学习，简称ZSL）
二、One-shot learning
三、Few-shot learning
对于这些概念的划分，主要从测试卷类别，训练集类别以及类别对应的样本数量的角度来理解。
一、Zero-shot learning （零样本学习，简称ZSL）
任务定义：
利用训练集数据训练模型，使得模型能够对测试集的对象进行分类，但是训练集类别和测试集类别之间没有交集；期间需要借助类别的描述，来建立训练集和测试集之间的联系，从而使得模型有效。
ZSL就是希望我们的模型能够对其从没见过的类别进行分类，让机器具有推理能力，实现真正的智能。其中零次（Zero-shot）是指对于要分类的类别对象，一次也不学习。
比如：假设我们的模型已经能够识别马，老虎和熊猫了，现在需要该模型也识别斑马，那么我们需要告诉模型，怎样的对象才是斑马，但是并不能直接让模型看见斑马。所以模型需要知道的信息是马的样本、老虎的样本、熊猫的样本和样本的标签，以及关于前三种动物和斑马的描述。
二、One-shot learning
如果训练集中，不同类别的样本只有一个，则成为One-shot learning.
One-shot learning 属于Few-shot learning的一种特殊情况。
三、Few-shot learning
如果训练集中，不同类别的样本只有少量，则成为Few-shot learning.
就是给模型待预测类别的少量样本，然后让模型通过查看该类别的其他样本来预测该类别。比如：给小孩子看一张熊猫的照片，那么小孩子到动物园看见熊猫的照片之后，就可以识别出那是熊猫。
推荐阅读的小样本学习综述：
