摘要

本文講述了什麼是one-shot問題，以及one-shot問題的解決方案。並從這種解決問題的思路中得到啟發，得到了一種deep learning的新的應用思路。

one-shot問題

在我們訓練有監督學習模型時，為了讓模型“見多識廣”，我們會在構建訓練集時，注重每個類別樣本數的平衡。

但大家有沒有想過另一種情況，加入我們做你公司員工的人臉識別系統，每個員工只會給你一張圖片吧，每個樣本一張圖片，通常是沒法訓練機器學習模型來解決分類問題的。還有你公司的員工經常變動，有新人加入或老員工離職，我們都要重新訓練一次模型。

所謂的one-shot問題，就是指這種情況，對每一個類別，只提供一個或少量訓練樣本，且樣本又有變動性。

怎麼樣才能做到對小樣本也能適應，樣本的訓練集變化也不需要重新訓練模型呢？

如何解決

傳統的分類問題，Y值的label標註，都是用類別標號進行標註（或者one-hot編碼）。這樣我們學習得到的模型，就是分類模型，能直接通過softmax給出類別標號。

要解決one-shot問題，就不能讓模型學習直接分類了，因為每一個類別只有一個樣本，是無法通過學習得到好模型的。

讓模型學習（得到）一個similarity函式，就是解決one-shot問題的方案。這樣的模型，輸出的值不是類別，而是給定（輸入）兩幅影象的相似度。

這樣就能解決剛剛提高的人臉識別中的兩個問題：

• 每個員工只給你一張圖片，但你用兩兩配對作為模型輸入時，每張圖片都能被模型學習多次
• 有新員工入職或老員工離職，也不需要重新訓練模型，因為模型是做相似度輸出，並不涉及具體的label

新思路

解決分類問題，不讓模型直接學習分類（直接輸出類別標註），而是讓模型學習相似度函式，就解決了deep learning量大難題：樣本少；訓練集樣本變動（減少、增加某些新的label）導致模型必須重新訓練。

參考

• andrew ng “CNN deep learning” chapter-04