一：N和K的具體指代git
元學習（Meta learning）引入了一系列的概念，這其中包括N-way K-shot，Meta-training、Meta-testing、Base class和Novel class，Support set和Query set等，如圖一。github
其中Base class是Meta Training階段藉助的源域數據；Novel class是Meta Testing階段要學習的目標域數據，其中Base class和Novel class沒有交集。
具體可參見下面連接中Few-shot learning methods部分。https://annotation-efficient-learning.github.io/學習
圖一：元學習相關概念
N-way K-shot在廣義上來說N表明類別數量，K表明每一類別中樣本數量，可是類別數量N和每一類樣本數量K分別指的是Base class仍是 Novel class中的Support set仍是Query set目前尚未看到一個明確的說明。測試
爲了明確N和K的具體指代，從小樣本學習的源頭探索下：小樣本學習要解決的是Novel class樣本量少的問題，因爲深度學習是吃數據的，沒有辦法直接在Novel class小樣本上進行訓練，因此藉助Base class的數據進行學習（ps：元學習和遷移學習異曲同工過），因爲Novel class的樣本量少，即便在Base class上微調的很好，在Novel class上過擬合也會很嚴重，因此出現了構造episode的想法，統一訓練和測試的標準：Novel class上不是（N-way K-shot）小樣本嘛，在 Base class也構形成多個（N-way K-shot）小樣本任務。優化
這樣一來，再回顧下剛纔N和K具體的指代問題彷佛有了答案。N-way K-shot 問題中N和K一般是指meta testing階段Novel class中Support set下樣本類別數量和每一類的樣本量。一般爲了保持meta training階段和meta testing階段的一致性，meta training階段中Base class的Support set也會相同的設置N和K。（圖一中在meta training和meta testing階段N的不一致狀況也常常存在，在此不作解釋，但願大佬對此進行補充）spa
二：N和K對元學習結果的影響blog
這一內容在論文Meta-Dataset: A Dataset of Datasets for Learning to Learn from Few Examples 中進行了研究。如圖二所示：ci
圖二：N和K對小樣本學習結果的影響
顯然隨着N的增長，會增長分類任務的難度，從而使預測的準確率降低；隨着K的增長，對於度量學習來講，至關於減少了有偏，下降了指望風險，對於MAML和Reptile等優化二階梯度問題而言，至關於下降了每一個episodes的過擬合程度，都會提升預測的準確率。然而每種模型受K增長的影響狀況不一樣，好比：Prototypical Networks和fo-Proto-MAML隨着K的增長一開始表現很好，但很快就飽和了，當K值超過20後，Finetune baseline成了表現最優秀的。get
總結：當K值小時，使用元學習方法；K值增大，Finetune的結果更好。深度學習
上述內容僅爲我的愚見，歡迎討論交流。