La gestion de tâches inédites après avoir reçu seulement quelques exemples d'entraînement reste un défi majeur en apprentissage automatique. Nous proposons TapNets, des réseaux de neurones augmentés par une projection adaptative à la tâche pour améliorer l'apprentissage à partir de peu d'exemples (few-shot learning). Ici, en utilisant une stratégie d'apprentissage métadynamique avec une formation basée sur des épisodes, un réseau et un ensemble de vecteurs de référence par classe sont appris sur des tâches très variées. En même temps, pour chaque épisode, les caractéristiques dans l'espace d'embedding sont projetées linéairement dans un nouvel espace comme une forme rapide de conditionnement spécifique à la tâche. La perte d'entraînement est calculée en fonction d'une métrique de distance entre les vecteurs de requête et les vecteurs de référence dans l'espace de projection. Cette méthode permet d'obtenir d'excellents résultats généralisés. Lorsqu'elle est testée sur les jeux de données Omniglot, miniImageNet et tieredImageNet, nous obtenons des précisions de classification record dans divers scénarios d'apprentissage à partir de peu d'exemples (few-shot).