Few shot Learning（FSL）任务的关键在于如何学到关于任务（task），而非具体类别，的先验知识。实现中的方法：最常见的在Imagenet pretrain到新数据集或下游子任务进行finetune，这类操作属于迁移学习的范畴，其在新的（小）数据集上的效果取决于小数据和pretrain用的大数据集的差距；另一种FSL中常见的就是直接模拟任务进行学习，希望网络通过学习得到的是建立标注和未标注样本间联系，而非类别特征。
Few shot 小样本任务基本概念：
support set
用于参考的标注数据，根据support的样本数，通常称为1-shot，即1个标注数据，5-shot，5个标注数据。常用的测试基于1-shot或5-shot。也可以根据训练集占样本集的比例进行对比，即用百分之xx的数据进行训练。
query set
用于预测的数据，根据support 的信息对query进行预测，并在query中评估结果。注意，这里的support和query中的类别需要是在训练过程中没有见到过的。
Episodic training
在训练过程中，也模拟测试场景，即k个support和b（batch）个query，进行训练的方式。这种训练方式可以利用大量的有标注的数据，但是需要保证测试的目标类别和样本不在训练中出现。实际上是一种对于task的学习。