用Siamese Network (孪生网络) 解决Few-shot learning (小样本学习)。Siamese Network并不是Meta Learning最好的方法，但是通过学习Siamese Network，非常有助于理解其他Meta Learning算法。
基本思想
1.用一个大的数据集训练Siamese Network，使模型理解事物的异同；
2.经过训练的Siamese Network完成预测来解决few-shot learning问题，即query与Support Set中的样本比较，输出相似度最大或距离最小的类别
介绍两种学习Siamese Network的方法，第一种方法是每次取两个样本，比较相似度。
Learning Pairwise Similarity Scores
需要一个大的数据集来训练神经网络，数据有标注，每一类都要有很多样本。
用训练集构造正样本和负样本，准备同样数量的正样本和负样本进行训练。正样本指同类样本，负样本指不同类样本。
每次从训练集随机抽取一张图片，然后从同一类中随机抽取另一张图片，这是正样本，把标签设置为1.意思是相似度是满分。
每次从训练集随机抽取一张图片，然后从其他类中随机抽取另一张图片，这是负样本，把标签设置为0.意思是相似度为0。
搭建卷积神经网络来提取特征，输入图片x，输出提取的特征向量f（x）
现在开始训练神经网络，我们已经准备好了训练数据，比如输入的是两只老虎，标签是1。把这两张图片x1，x2输入同一个卷积神经网络（记为函数f），输出特征向量h1，h2，将h1-h2向量中的每一个元素取绝对值后得到的向量记作向量z，z表示两个特征向量之间的区别，再用一些全连接层处理向量得到一个标量，最后使用sigmoid激活函数得到一个0-1之间的实数，作为两张图片之间的相似度。
之前我们已经准备好了标签，我们希望神经网络的预测接近标签，我们将预测与标签之间的差别作为损失函数，有了损失函数，就可以用反向传播计算梯度，用梯度下降更新模型参数。
模型主要用两个部分，一个是卷积神经网络用来从图片提取特征；一个是全连接层用来预测相似度。
训练的过程就是更新这两部分的参数。做反向传播，梯度从损失函数传回到向量z以及全连接层的参数，有了损失函数关于全连接层的梯度就可以更新全连接层的参数了；然后梯度进一步从向量z传到卷积神经网络f，用计算出的梯度来更新卷积层的参数，这样就完成了一轮训练。
对负样本做同样处理。
完成训练后，模型可以进行one-shot prediction。
few-shot learning的特点是query和Support Set的类别不在训练集中
在例子中，一共有6个类别，每个类别只有1个样本。query一定是六个类别中的一个，通过将query和Support Set中的图片逐一对比计算相似度，输出相似度最大的类别。如图，Query为松鼠。
现在来讲另一种训练Simaese Network的方法
Triplet loss
每次从训练集中选择3张图片完成一次训练。首先从训练集中随机选择一张图片，记作anchor；然后从这张图片所属类中随机抽取一张图片，记作正样本；最后从其他类中随机抽取一张图片，记作负样本。
现在有了一组样本，比如两张老虎和一张大象，把3张图片输入同一个CNN提取特征，得到3个特征向量。计算anchor和正样本在特征空间中的距离d+（两向量相减后求2范数的平方）以及anchor和负样本在特征空间中的距离d-。
我们希望训练出来的神经网络相同类别的特征向量都聚在一起，不同类别的特征向量都能分开，即d+越小越好，d-越大越好
因此定义损失函数时，d+小，d-大，如果d-大于d+加上α，就认为这一组样本的分类是正确的，loss=0；否则loss等于d+加上α减去d-。
综上，损失函数Loss（xa,x+,x-)=max{0,d+ +α -d-}
有了损失函数就可以进行反向传播，计算损失函数关于神经网络参数的梯度，做梯度下降更新参数。
完成训练的模型进行one-shot prediction，选择dist最小的类别就是query的类别
