Gram矩阵 迁移学习 one-shot 之类

格拉姆矩阵是由内积空间中的向量两两内积而得。格拉姆矩阵在向量为随机的情况下也是协方差矩阵。每个数字都来自于一个特定滤波器在特定位置的卷积，因此每个数字代表一个特征的强度，而Gram计算的实际上是两两特征之间的相关性，哪两个特征是同时出现的，哪两个是此消彼长的等等，同时，Gram的对角线元素，还体现了每个特征在图像中出现的量，因此，Gram有助于把握整个图像的大体风格。

在有限元方法中，格拉姆矩阵出现在从有限维空间逼近函数时；格拉姆矩阵的元素是有限维子空间的基函数的内积。在几何上，格拉姆行列式是这些向量形成的平行多面体的体积之平方。特别地，这些向量线性无关当且仅当格拉姆行列式不为零（当且仅当格拉姆矩阵非奇异）。

零样本学习　　

港科大的大牛杨强的演讲 https://www.jiqizhixin.com/articles/2017-05-28-7

斯坦福的李飞飞的TPAMI认为，在迁移学习阶段，仅仅需要一个标注样本来推断表示空间中聚集在相同点周围许多可能测试样本的标签。比如如果文本足够好地描述了对象，那么即使没有看到对象的图像，也能识别出对象的类别。