摘要：少樣本學(xué)習(xí)是目前機器學(xué)習(xí)研究領(lǐng)域的熱點與難點.在源域和目標(biāo)域分布差異很大的情況下,現(xiàn)有的主流少樣本學(xué)習(xí)算法訓(xùn)練得到的模型,泛化能力較弱,導(dǎo)致識別率不高.針對這個問題,提出一種基于深度網(wǎng)絡(luò)的少樣本學(xué)習(xí)方法 DL-FSL(Deep Learning-based Few-Shot Learning,DL-FSL).首先,采用Bagging方法有放回地隨機采樣方式產(chǎn)生不同的訓(xùn)練集,針對不同的訓(xùn)練集,分別產(chǎn)生樣本集、查詢集.其次,建立多條異步線程,利用關(guān)系型網(wǎng)絡(luò)學(xué)習(xí)算法以及Pytorch深度學(xué)習(xí)框架并行訓(xùn)練出多個不同的基模型;然后,采用概率投票方式對不同的基模型進行融合.實驗結(jié)果表明,與現(xiàn)有方法相比,DL-FSL方法在源域和目標(biāo)域分布差異很大的情況下能有效地提高少樣本學(xué)習(xí)算法的識別率.