零样本学习（Zero-shot learning）是指仅通过概念的描述即可学会识别新概念的学习范式。针对该问题所面临的挑战，已有诸多复杂的先进方法被提出。本文介绍了一种仅需一行代码即可实现的零样本学习方法，其在标准数据集上的表现甚至优于当前最先进的方法。该方法基于一个更通用的框架，将特征、属性与类别之间的关系建模为一个两层线性网络，其中顶层权重并非通过训练学习得到，而是由环境直接提供。此外，我们通过将此类方法视为域自适应（domain adaptation）方法，推导出了其泛化误差的理论学习界。在三个标准真实数据集上的实验结果表明，该方法在所有数据集上均显著优于现有最先进方法，性能提升最高可达17%。