L'apprentissage de métriques est une méthode largement utilisée pour l'apprentissage à partir de peu d'exemples, dans laquelle la qualité des prototypes joue un rôle clé dans l'algorithme. Dans cet article, nous proposons des prototypes entraînables pour la mesure de distance au lieu des prototypes artificiels dans le cadre de la méta-formation et de la formation par tâche. Pour éviter les inconvénients apportés par la méta-formation épisodique, nous adoptons une méta-formation non épisodique basée sur l'apprentissage auto-supervisé. Dans l'ensemble, nous résolvons les tâches à partir de peu d'exemples en deux phases : la méta-formation d'un extracteur de caractéristiques transférable via l'apprentissage auto-supervisé et la formation des prototypes pour la classification par métrique. De plus, un mécanisme d'attention simple est utilisé à la fois lors de la méta-formation et de la formation par tâche. Notre méthode atteint des performances de pointe dans diverses tâches établies à partir de peu d'exemples sur l'ensemble de données standard pour la classification visuelle à partir de peu d'exemples, avec une augmentation d'environ 20 % par rapport aux méthodes d'apprentissage non supervisé disponibles.