模型在Omniglot数据集上进行了测试，Omniglot数据集包含来自 50个不同字符的 1623个不同手写字符。每一个字符都是由 20个不同的人通过亚马逊的Mechanical Turk 在线绘制的。测试过程中，将这些分成一组包含 30个字母的背景（background）集和一组包含 20个字母的评估（evaluation）集。测试结果如下：
03
原型网络Prototypical Networks[2] 这篇论文提出的方法思想十分简单，效果也非常好。它学习一个度量空间， 通过计算测试样本和每个类别的原型表达之间的距离来进行分类。文章基于这样的想法：每个类别都存在一个原型表达embedding，这个embedding可以代表这个类别的表征，该类的原型是support set在embedding空间中的均值。然后，分类问题变成在embedding空间中的最近邻。如图所示，c1、c2、c3分别是三个类别的均值中心（称Prototype），将测试样本x进行embedding后，与这3个中心进行距离计算，从而获得x的类别。算法的伪代码如下，非常的简单清晰： 作者在miniImageNet的数据集上进行了测试，miniImageNet数据集包含了100个类别的图片，每类600张，共60000张图片。其中64个类别作为训练集，16个类别作为验证集，20个类别作为测试集，测试结果如下：从上图中的实验结果可以看出，squared Euclidean距离比cosine距离要好14到17个点。另外，文章在训练时采用相对测试时更多的类别数，即训练时每个episodes采用20个类(20 way)，而测试对在5个类（5 way）中进行，其效果相对训练时也采用5 way的提升了2.5个点。Prototypical Networks与Matching Networks十分相似，在one shot的场景下，他俩是一样的，但也有几个不同点：1.距离度量方式不同，Matching Networks采用的是cosine度量距离，Prototypical Networks中使用的是基于Bregman的欧几里得距离; 2.网络结构上，Prototypical Networks相比Matching Networks将编码层和分类层合一，参数更少，训练起来也更加方便。参考文献：[1] Oriol Vinyals, Charles Blundell, Tim Lillicrap, Daan Wierstra, et al. Matching networks for one shot learning. In Advances in Neural Information Processing Systems, pages 3630–3638, 2016.[2] Jake Snell, Kevin Swersky, and Richard S Zemel. Prototypical networks for few-shot learning. arXiv preprint arXiv:1703.05175, 2017[3] Allen, Kelsey R, Shelhamer, Evan, Shin, Hanul, et al. Infinite Mixture Prototypes for Few-Shot Learning[J]. 2019.[4] Li C, Wang G, Melo G D. Context-Based Few-Shot Word Representation Learning[C]// IEEE International Conference on Semantic Computing. 2018.[5] Wang, Yaqing, Yao, Quanming, Kwok, James, et al. Generalizing from a Few Examples: A Survey on Few-Shot Learning[J]. 2019.