one-shot learning与calssification的本质区别是什么
one-shot learning与calssification的本质区别是：one-shot learning是小样本学习的一个特例，其目的是从一个训练样本或图片中学习到有关物体类别的信息；而calssification（分类）是监督学习中的一种方式，其目标是根据输入预测输出的函数，如果输出值是定性和离散的，监督学习称为分类。
1.one-shot learning单样本学习
one-shot learning即单样本学习，就是对某一类别只提供一个或者少量的训练样本，它是小样本学习问题的一个特例，其目的是从一个训练样本或图片中学习到有关物体类别的信息。one-shot learning的意义在于：一是可以减少训练数据，二是在新类别的数据出现时，无需重新训练。
单样本学习的一个例子是，智能手机中使用的人脸识别技术。通常，很小的训练集不足以训练一个稳健的神经网络，为了解决这个问题，需要首先训练一个similarity function：d(img1,img2)，用于表示两张图片的差异程度，当d(img1,img2)<=，我们认为两张图一样（为设定的阈值），待识别图片分别和数据库中的人脸图片进行上述这样一个判断，就能达到人脸识别的效果。
2.calssification分类
calssification即分类的意思，属于监督学习的一种方式。机器学习的名列前茅种范式是监督学习（Supervised learning），学习的目标是根据输入预测输出的函数。例如，输入是患者的检查数据，输出是疾病的诊断结果；输入是动物图片，输出是它们的名称；输入是未来的某个日期，输出是该日的降雨量。输出值定性还是定量，对问题描述和所用学习方法影响很大，因而习惯上监督学习以其为标准分为两个主题。如果输出值是定性和离散的，监督学习称为分类（Classification），其输出值又称为类别。分类问题在现实中应用非常广泛，比如医疗诊断，手写数字识别，人脸识别，语音识别等。
延伸阅读
什么是小样本学习
小样本学习即“Few-shot Learning”，它是近几年兴起的一个研究领域，旨在解决在数据有限的机器学习任务。
机器学习应用领域的常见做法是提供可以接收尽可能多数据的模型，这是因为在大多数机器学习应用程序中，提供更多数据使模型能够更好地预测。然而，小样本学习旨在用较少的训练数据构建准确的机器学习模型。由于输入数据的维度是决定资源成本（例如时间成本、计算成本等）的因素，因此人们可以通过使用小样本学习来降低数据分析/机器学习（ML）成本。
到目前为止，小样本学习有一部分比较重要的应用，涵盖了计算机视觉，自然语言处理，音频和语音，强化学习和数据分析等许多研究热点，可以说是一个很有发展前景的方向。
