深度学习在解决众多领域的复杂任务中都发挥了巨大的作用，但由于深度学习模型包含很多参数，通常需要大量的已标注数据进行模型训练才能得到较好的效果。而在数据集很小的场景下，多数深度学习算法的效果会严重受限。如何通过有限数量的数据集训练出较好的效果，成为了很多新手开发者学习道路上的头号难题。
而小样本学习方法可以在利用先验知识的前提下，仅由极少量受监督的样本，使得模型通过极少步的更新快速提升泛化性能。为了给各位开发者排忧解难，小编为大家准备了小样本学习（Few-Shot Learning）的主题分享，我们邀请了几位来自飞桨开发者社区的AI开发者，从小样本学习的方法原理，到小样本学习初步应用，以及运用小样本学习的实践案例，由浅入深地为大家解读如何在没有大型的数据集的状况下也能完成深度学习模型的训练！
直播时间：12月29日-1月12日（每周三） 19:00-20:00
直播方式：飞桨PaddlePaddle B站直播间
扫码回复“直播进群”入群观看
本场分享，何睿智将从人类看图识物过程中探究小样本学习原理，和大家一起思考如何让计算机具备像人一样的小样本学习能力。本次直播将讲解小样本学习基本概念及基本思路，孪生网络基本原理及训练方法，小样本分类问题的预训练+微调解法，并手把手带大家使用PaddlePaddle实践小样本分类。
相关项目链接：
https://aistudio.baidu.com/aistudio/projectdetail/2342018
此次分享，郑博培将从小样本学习在文本、图像领域里的应用案例出发，解读如何通过小样本学习突破“数据瓶颈”，探索小样本学习的“破局之道”。
相关项目链接：
https://aistudio.baidu.com/aistudio/projectdetail/2117875
目前小样本学习的研究中，多数是在讨论样本绝对数量的小，例如通过少数样本能够让模型达到什么样的效果。然而，同样数量的小样本，为什么有的效果好，有的效果不好？100个样本一定比200个差吗？有没有什么方法，既能做到仅需标注少量样本，同时又能保证AI系统的效果呢？在应用中，我们真正需要提供的样本又应该满足什么性质呢？此次分享，Severus将从两个模型开发的实验出发，探讨训练样本应该满足什么样的条件，小样本应该是什么样子的。
欢迎大家扫码欢迎大家扫码进群交流和观看直播分享！
