原文来源：hackernoon
作者：Harshvardhan Gupta
「机器人圈」编译：嗯~阿童木呀
这是两篇文章的第二篇，为了更系统地了解与掌握该教程，在阅读本文之前，建议最好通读机器人圈的前一篇文章。
在前一篇文章中，我们讨论了小样本数据旨在解决的主要问题类别，以及孪生网络之所以能够成为解决这个问题优良选择的原因。首先，我们来重温一个特殊的损失函数，它能够在数据对中计算两个的图像相似度。我们现在将在PyTorch中实施我们之前所讨论的全部内容。
2025年03月16日
原文来源：hackernoon
作者：Harshvardhan Gupta
「机器人圈」编译：嗯~阿童木呀
这是两篇文章的第二篇，为了更系统地了解与掌握该教程，在阅读本文之前，建议最好通读机器人圈的前一篇文章。
在前一篇文章中，我们讨论了小样本数据旨在解决的主要问题类别，以及孪生网络之所以能够成为解决这个问题优良选择的原因。首先，我们来重温一个特殊的损失函数，它能够在数据对中计算两个的图像相似度。我们现在将在PyTorch中实施我们之前所讨论的全部内容。
2025年03月16日
机器之心专栏
作者：王延峰、张娅
来自上海交通大学 MediaBrain 团队和上海人工智能实验室智慧医疗团队等的研究人员提出了一种基于配准的少样本异常检测框架 RegAD，用于学习多个异常检测任务之间共享的通用模型。RegAD 无需模型参数调整，仅利用少量正常样本，就可以直接应用于新的异常检测任务。
2025年03月16日
原文来源：hackernoon
作者：Harshvardhan Gupta
「机器人圈」编译：嗯~阿童木呀、多啦A亮
深度神经网络是涉及图像分类问题的重要算法。这其中的部分原因是，它们具有大量的可训练的参数。然而，这是以需要大量的数据为代价的，而这有时是不可获得的。那么接下来，我就将讨论小样本学习（One Shot Learning），其旨在缓解诸如此类的问题，以及如何在PyTorch中实现一个使用它的神经网络。
本文假设你对神经网络知识有所了解。