1.一种神经语义记忆存储方法，其特征在于，包括以下步骤：

S1、记忆存储M的建立，其是以类别无关的方式建立，即对于分类任务，每个类别的存储单元Mc是在类别c的数据基础上生成，与其他类别无关，为了更好体现语义层面的信息，其中建立M过程中一部分用神经网络实现图的相似性计算，其参数为w。

S2、检索部分，与其他记忆方法不同之处在于，其中检索出来的信息不是单纯的信息表示，而是以概率分布的形式表示出来，即给定新图像I，在M中寻找和支持集相关的知识，用概率分布形式表示：q(m|M，hI)，其中涉及到参数S3、参数学习阶段，即用一些任务集数据，学习得到需要确定的两个参数。

2.根据权利要求1所述的一种神经语义记忆存储方法，其特征在于：所述输入：T个任务的支持数据集St，每一个支持数据集St包括C类样本数据，单层神经网络参数w，输出：建立的神经语义记忆存储方法M，步骤1：对不同的任务t＝1:T，执行以下操作：步骤1.1对任务t中的类别c＝1:C，执行以下操作；

步骤1.1.1判断类别c对应的存储空间Mc是否为空，如果不为空，执行步骤1.1.3；

步骤1.1.2将支持集中任务t中类别c的样本通过一个特征提取网络(可以是任意一个网络，这里选用VGG16网络)，提取特征 放入到Mc中；

步骤1.1.3将支持集中任务t中类别c的样本i＝1:N，通过一个特征提取网络，提取特征计算 和Mc的结构相似性如下：

3.根据权利要求1所述的一种神经语义记忆存储方法，其特征在于：所述其中[.,.]表示拼接操作，f函数使用一个单层的前馈网络生成，参数为w，表示转置，这种相似度的计算方法，是在特征表示h构成的图的基础上抽取相似性，其具有语义信息，步骤1.1.4对Mc中的样本进行线性组合生成 如下： 其中，σ为非线性激活函数，可以选择任意一种常见的激活函数。

4.根据权利要求1所述的一种神经语义记忆存储方法，其特征在于：所述步骤1.1.5更新类别c对应的存储内容Mc如下： 其中α为0到1之间的一个超参。

5.根据权利要求1所述的一种神经语义记忆存储方法，其特征在于：所述步骤1.2对所有类别完成步骤1.1.1-步骤1.1.5的操作，形成M＝[M1,…,Mc]，步骤2对所有任务执行步骤

1.1到步骤1.2的操作，更新M，输入：神经语义记忆存储方法M，新图像I，参数 输出：和新图像I相关的语义表示m。

6.根据权利要求1所述的一种神经语义记忆存储方法，其特征在于：所述步骤1：通过一个特征提取网络(VGG)，提取图像I特征hI，计算hI和Mc(c＝1:C)的结构相似性如下：

7.根据权利要求1所述的一种神经语义记忆存储方法，其特征在于：所述步骤2：计算图像I在记忆存储每个类别单元c＝1:C的比重，

8.根据权利要求1所述的一种神经语义记忆存储方法，其特征在于：所述步骤3：建立多层感知神经网络，参数为 用其替代概率函数p(m|Mc)。这里假设概率分布为高斯分布，且高斯分布中的协方差矩阵为对角阵，则在该多层感知神经网络中，输入为Mc，输出为表征分布特性的均值和方差向量。

步骤4：计算概率如下：

9.根据权利要求1所述的一种神经语义记忆存储方法，其特征在于：所述步骤5：从步骤

4的分布中采样J个样本，将样本均值作为从记忆机制中检索的和图像I相关的语义信息如下：

10.根据权利要求1所述的一种神经语义记忆存储方法，其特征在于：所述在神经语义记忆存储方法检索过程中，隐含了一个用变分推理实现的分布近似的操作，即用q(m|M，hI)代替p(m|hI)，在这种近似中可以看出，通过引入外部记忆M，可以有效建立以往任务中的语义知识和新图像(新任务)的关联，因此在正常的小样本学习任务中，对损失函数加入一项约束条件，将参数w和参数 引入到损失函数，就可以用正常的梯度下降对参数估计。