一：N和K的具体指代git
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。github
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。
具体可参见下面连接中Few-shot learning methods部分。https://annotation-efficient-learning.github.io/学习
图一：元学习相关概念
N-way K-shot在广义上来说N表明类别数量，K表明每一类别中样本数量，可是类别数量N和每一类样本数量K分别指的是Base class仍是 Novel class中的Support set仍是Query set目前尚未看到一个明确的说明。测试
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，因为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，因此借助Base class的数据进行学习（ps：元学习和迁移学习异曲同工过），因为Novel class的样本量少，即便在Base class上微调的很好，在Novel class上过拟合也会很严重，因此出现了构造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也构形成多个（N-way K-shot）小样本任务。优化
这样一来，再回顾下刚才N和K具体的指代问题彷佛有了答案。N-way K-shot 问题中N和K一般是指meta testing阶段Novel class中Support set下样本类别数量和每一类的样本量。一般为了保持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的不一致状况也常常存在，在此不作解释，但愿大佬对此进行补充）spa
二：N和K对元学习结果的影响blog
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：ci
图二：N和K对小样本学习结果的影响
显然随着N的增长，会增长分类任务的难度，从而使预测的准确率降低；随着K的增长，对于度量学习来讲，至关于减少了有偏，下降了指望风险，对于MAML和Reptile等优化二阶梯度问题而言，至关于下降了每一个episodes的过拟合程度，都会提升预测的准确率。然而每种模型受K增长的影响状况不一样，好比：Prototypical Networks和fo-Proto-MAML随着K的增长一开始表现很好，但很快就饱和了，当K值超过20后，Finetune baseline成了表现最优秀的。get
总结：当K值小时，使用元学习方法；K值增大，Finetune的结果更好。深度学习
上述内容仅为我的愚见，欢迎讨论交流。