Nous présentons un cadre conceptuellement simple, flexible et général pour l'apprentissage à partir de peu d'exemples (few-shot learning), où un classifieur doit apprendre à reconnaître de nouvelles classes avec seulement quelques exemples de chacune. Notre méthode, appelée le Réseau de Relations (Relation Network) (RN), est formée de manière end-to-end à partir de zéro. Au cours de l'apprentissage méta, elle apprend à développer une métrique de distance profonde pour comparer un petit nombre d'images au sein d'épisodes, chacun conçu pour simuler le contexte d'apprentissage à partir de peu d'exemples. Une fois formé, un RN est capable de classer des images de nouvelles classes en calculant les scores de relation entre les images requises et les quelques exemples de chaque nouvelle classe, sans mise à jour supplémentaire du réseau. Outre l'amélioration des performances en apprentissage à partir de peu d'exemples, notre cadre peut être facilement étendu à l'apprentissage sans exemple (zero-shot learning). Des expériences approfondies sur cinq benchmarks montrent que notre approche simple offre une solution unifiée et efficace pour ces deux tâches.