OmniGlot数据集由包含50种国际语言的样本组成。每种语言中的每个字母只有20个样本。 这被认为是MNIST的“转置”，其中类的数量较少（10个），训练样本数量较多。在OmniGlot中类的数量是非常多的，而每个类的样本数是很少的。

　　图2.0来自OmniGlot数据集的一些样本

　　OmniGlot将用作我们的小样本分类数据集，以便能够从少数样本中识别出许多不同的类。

　　结论

　　我们是在小样本学习下进行研究，并尝试使用一种称为孪生网络的神经网络架构来解决这一问题。与此同时，我们还讨论了区分输入对的损失函数。

　　同时，我们还实施了这样的架构，并对MNIST进行训练，然后在OmniGlot上进行了预测。