少样本学习（FSL）是深度学习的一个子领域，专注于训练模型以识别模式和进行预测，使用的标记数据量非常有限。传统的机器学习方法通常需要大量的数据集进行训练，而少样本学习的目标则是使模型能够仅通过少量示例进行泛化。这在获取标记数据成本高昂或耗时的场景中尤其有益，例如医学影像或稀有物体分类。
在实际应用中，少样本学习通常涉及使用元学习等技术，其中模型在多种任务上训练，以学习如何从少量示例中学习。例如，想象一个需要根据图像识别不同物种植物的系统。与其为每个物种提供数千张图像，少样本学习允许系统仅从每个物种的几张图像（如五张或十张）中学习。这是通过利用来自其他相似任务的先前知识实现的，使模型能够快速而准确地适应新的类别，且数据需求极少。
少样本学习中一种常见的方法是使用原型网络。这些网络根据可用的有限示例为每个类别创建一个表示（或原型）。当一个新示例到来时，模型计算未知示例特征与这些类别原型之间的距离，并将其分配给最近的一个。这种方法展示了少样本学习旨在提高模型效率并减少对大数据集依赖的意图，使其成为在数据获取受限的各种领域中工作的开发者的重要工具。