Wir schlagen prototypische Netzwerke für das Problem der Few-Shot-Klassifikation vor, bei dem ein Klassifikator neue Klassen erkennen muss, die im Trainingsdatensatz nicht vorkamen, und zwar nur auf Basis einer geringen Anzahl von Beispielen pro Klasse. Prototypische Netzwerke lernen einen Metrikräum, in dem Klassifikation durch Berechnung der Abstände zu Prototypendarstellungen jeder Klasse erfolgen kann. Im Vergleich zu jüngeren Ansätzen für Few-Shot-Lernen reflektieren sie eine einfachere induktive Voreingenommenheit, die in diesem datenarmen Regime von Vorteil ist, und erzielen hervorragende Ergebnisse. Wir führen eine Analyse durch, die zeigt, dass bestimmte einfache Gestaltungsentscheidungen erhebliche Verbesserungen gegenüber jüngeren Ansätzen ermöglichen können, die komplizierte architektonische Entscheidungen und Meta-Lernen erfordern. Zudem erweitern wir prototypische Netzwerke auf das Zero-Shot-Lernen und erreichen dabei Ergebnisse auf dem Stand der Technik auf dem CU-Birds-Datensatz.