一：N和K的具体指代
元学习（Meta learning）引入了一系列的概念，这其中包括N-way K-shot，Meta-training、Meta-testing、Base class和Novel class，Support set和Query set等，如图一。
其中Base class是Meta Training阶段借助的源域数据；Novel class是Meta Testing阶段要学习的目标域数据，其中Base class和Novel class没有交集。
具体可参见下面链接中Few-shot learning methods部分。https://annotation-efficient-learning.github.io/
图一：元学习相关概念
N-way K-shot在广义上来讲N代表类别数量，K代表每一类别中样本数量，但是类别数量N和每一类样本数量K分别指的是Base class还是 Novel class中的Support set还是Query set目前还没有看到一个明确的说明。
为了明确N和K的具体指代，从小样本学习的源头探索下：小样本学习要解决的是Novel class样本量少的问题，由于深度学习是吃数据的，没有办法直接在Novel class小样本上进行训练，所以借助Base class的数据进行学习（ps：元学习和迁移学习殊途同归过），由于Novel class的样本量少，即使在Base class上微调的很好，在Novel class上过拟合也会很严重，所以出现了构造episode的想法，统一训练和测试的标准：Novel class上不是（N-way K-shot）小样本嘛，在 Base class也构造成多个（N-way K-shot）小样本任务。
这样一来，再回顾下刚才N和K具体的指代问题似乎有了答案。N-way K-shot 问题中N和K通常是指meta testing阶段Novel class中Support set下样本类别数量和每一类的样本量。通常为了保持meta training阶段和meta testing阶段的一致性，meta training阶段中Base class的Support set也会相同的设置N和K。（图一中在meta training和meta testing阶段N的不一致情况也经常存在，在此不做解释，希望大佬对此进行补充）
二：N和K对元学习结果的影响
这一内容在论文Meta-Dataset: A Dataset of Datasets for Learning to Learn from Few Examples 中进行了研究。如图二所示：
图二：N和K对小样本学习结果的影响
显然随着N的增加，会增加分类任务的难度，从而使预测的准确率下降；随着K的增加，对于度量学习来说，相当于减小了有偏，降低了期望风险，对于MAML和Reptile等优化二阶梯度问题而言，相当于降低了每个episodes的过拟合程度，都会提高预测的准确率。然而每种模型受K增加的影响情况不同，比如：Prototypical Networks和fo-Proto-MAML随着K的增加一开始表现很好，但很快就饱和了，当K值超过20后，Finetune baseline成了表现最优秀的。
总结：当K值小时，使用元学习方法；K值增大，Finetune的结果更好。
上述内容仅为个人愚见，欢迎讨论交流。
来源：oschina
链接：https://my.oschina.net/u/4418004/blog/4328498