使用場景：
原型網路是一種用於小樣本學習（few-shot learning）的方法，訓練場景是在只有很少訓練數據的類別。
相關用語：
5 way 5 shot
- 5 way: 五種類別。
- 5 shot: 每個類別有五筆資料。
- 支持集（support set）：在每個 N-way K-shot 任務中，支持集包含從每個類別選擇的 K 個樣本。支持集用於訓練模型，並計算每個類別的原型。
- 查詢集（query samples）：查詢樣本會從N個類別中選擇，查詢集的主要目的是用來測試模型對於未知樣本的歸類能力。和支持集相同類別沒關係，重點是不能和支持集使用相同的「樣本」。
因此5 way 5 shot: 訓練資料，需要25筆資料。當然還要需要其他的驗證集跟測試集。下面會有更詳細的說明。
精神：
量化並比較「輸入樣本」和「各類別原型」之間的距離
原型的話，可以想成是一個空間中的vector會比較好理解（下面有圖可以參考）
訓練流程：
- 將原始資料轉換成電腦看得懂的向量格式。
- 收集少量資料。
- 假設我的資料共有5種類別，
— 每一個類別有幾個參考點（以下面的範例來看會有五個vector，因為是5-shot）。
— 計算每一種類別裡面「向量的平均值」，也就是把5個vector相加起來再除以五，計算平均值的概念。
— 最後將計算出來的平均vector當作該類別的中心點，即是途中的c1, c2, c3。
4. 先將查詢樣本map到跟原型相同的空間中。
5. 計算「原型」（平均vector）和查詢樣本之間的距離。（Euclidean distance），目的是要去評估目前模型對於新樣本的泛化能力如何。
6. 將查詢樣本歸類到某一個類別。
7. 歸類正確，太棒了！
— 歸類錯誤，模型會得到較高的loss值，並且調整模型更新力度。
8. 不斷重複，值得得到比較低的loss值。
9. 模型訓練完成！
不知道大家會不會有個疑問是，請問要取多少個查詢樣本？
一般來說比query samples會比support set要來得多。例如，你可以從每個類別中選擇15個不同的樣本，總共75個樣本作為查詢集。
應用：
論文中使用了兩個資料及來進行驗證，而我們這邊就只用他所提到的miniImageNet資料集來做說明。資料包含 60,000 張 84×84 像素的彩色圖像，圖像又被劃分成 100 個類別，每個類別有 600 張圖片。
資料集的分割方式：
訓練資料：64 個類別
驗證資料：16 個類別
測試資料：20 個類別
如果之前有訓練過相關的模型，應該還會覺得哪邊怪怪的，訓練使用到5個類別，那驗證跟測試呢？以下會說明到底什麼是5-way 1-shot的訓練方法。
其實主要的想法就是5-way 1-shot不侷限在在訓練資料集裡面，而是同樣包含「驗證」跟「測試」資料集。因此，用上面的範例，我們可以知道在
訓練階段中，5-way會從64個類別裡面，隨機取得5個類別。1-shot則是從每個類別中取出一張圖片。
而在驗證階段，也會從16個驗證類別中，隨機取五個類別，從每個類別中取出一張圖片。來進行測試，並調整模型。
最後的測試階段，也是從20個類別中，隨機取5個類別來進行測試，從每個類別中取出一張圖片。
可能在這邊也會有疑問說：那query sample跟驗證集之間的關係是什麼？
- 查詢樣本（Query Samples）：
主要用來評估模型目前的泛化能力如何，直接餐數模型參數的調整。
- 驗證集（Validation Set）：
主要用來評估模型在訓練過程中的進展，並沒有直接訓練模型參數，可以幫助的部分是調整「超參數」和避免模型過擬合。
結語：
希望以上短短的介紹可以讓大家更加了解prototypical Network的概念～～
