小樣本學習暫時可以理解爲無監督或者半監督學習。下面是引用一些其他人的話，不是很官方，但是也基本可以解釋什麼是小樣本學習。
人類非常擅長通過極少量的樣本識別一個新物體，比如小孩子只需要書中的一些圖片就可以認識什麼是“斑馬”，什麼是“犀牛”。在人類的快速學習能力的啓發下，研究人員希望機器學習模型在學習了一定類別的大量數據後，對於新的類別，只需要少量的樣本就能快速學習，這就是 Few-shot Learning 要解決的問題。
Few-shot Learning 是 Meta Learning 在監督學習領域的應用。Meta Learning，又稱爲 learning to learn，在 meta training 階段將數據集分解爲不同的 meta task，去學習類別變化的情況下模型的泛化能力，在 meta testing 階段，面對全新的類別，不需要變動已有的模型，就可以完成分類。
形式化來說，few-shot 的訓練集中包含了很多的類別，每個類別中有多個樣本。在訓練階段，會在訓練集中隨機抽取 C 個類別，每個類別 K 個樣本（總共 CK 個數據），構建一個 meta-task，作爲模型的支撐集（support set）輸入；再從這 C 個類中剩餘的數據中抽取一批（batch）樣本作爲模型的預測對象（batch set）。即要求模型從 C*K 個數據中學會如何區分這 C 個類別，這樣的任務被稱爲 C-way K-shot 問題。
所以，實驗的中後期可以參考無監督學習中的一些方法來完成畢設，這裏有幾個不錯的回答和文章可以參考。
Unsupervised Salience Learning for Person Re-identification
目前的任務還是把基本的這些代碼跑通，後面再根據小樣本學習做一下改進，學習pytorch是一個重要的目標。
今天對數據進行了一些處理，之前的理解真的很成問題，之前還想着如何把數據保存在數據庫中，我可真是一個數據庫小王子，放在科研上，這麼搞就有點累了，不如本地數據庫方便，所以我把數據基本都按照pickle文件的處理方式存放在了pkl文件中，比如隨機選取每個id的一張圖片放在了probe，剩下的放在了gallery，昨天和學姐的討論時，一般這個gallery數據集是比較大的，和英文的意思也基本相符，然後probe是比較小的，所以每個選取了一張，也和基本的測試流程一致，之後和學姐討論一下，如果可以後面的數據就先這麼處理了。
另外在今天學到不少新知識，比如對數組的處理中，pop() remove() 和extend()都是很好用的方法，和下面的圖一樣
上午還學習了pytorch，對裏面的一些基本數據類型有了瞭解，總算是把dim，shape和size搞明白了，dim爲0表示標量，dim爲1表示的是普通的向量，比如one hot這種形式，dim爲2是這樣的[[1, 2]]，這個tensor實際上就是1*2的一個tensor。
今天還算充實，加油！