标签：而不是 cio 模型 概念 预测 learn 不同 数据 机器学习
关于元学习，网上的很多教程不太说人话，大多是根据李宏毅教授的课进行的一个拓展，并没有去详细的讲解一些步骤性的问题；
关于原理或者说概要比较好的博客：
https://zhuanlan.zhihu.com/p/108503451
https://zhuanlan.zhihu.com/p/55643191
上面两篇可以说是大致很好的讲解了元学习的基本概念，自己本篇进行一个大致的整理；
元学习的大致思想：寻求一种方法使得可以从过去的任务中学习到如何去学习。
从本质的上来说，和传统机器学习相比较：
传统机器学习：DL包括在内，都是寻求一个boundary来进行定界操作，主要关心得到一个输入和标签的映射网络；
元学习：执着于网络参数的确定，使得每一次训练后，都可以让模型自己去尝试制定参数，而不是人为去设定参数；
所以，某种程度上训练过程可能类似，但是侧重思想是不一样的；
如上所示，可以基本的看出元学习的目的并不是生成预测值，而是通过feed数据集，来世的learning algorithm收敛，得到一个新的函数，为下一个任务做准备，所以，本质就是通过一个任务生成一个特定的网络，由训练过程自发的使网络来达到最佳，其实和传统学习还是有点像的；
但是比较不同的一点是，生成的网络可以在不同的task有不同的结果，而后续的MAML则是固定一类模型，算是meta-learning中的特殊情况；
所以元学习的基本步骤有以下几步：
1.进行一群F函数的选择，对于同样的一系列task来进行训练；
2.根据一定的方法评价task的好坏；
3.最后选择最好的F；
对于上述，完整的流程可以如下所示：
所以，对于不同的F，寻找出生成f效率最好的函数，总体通过loss funcion l来进行评估；
MAML是Meta-learning中的一种，但是其核心思想是初始化参数的设定；
即通过task的学习，得到一个使得每个task都最优的初始参数；
对于各个网络中的参数，直接利用初始参数进行更新；
而对于目标函数，我们要求L函数有最小值，所以可以直接借此更新初始化参数，从而达到寻找最优初始化参数的目的；
其中需要注意的是以下几点：
1.局部网络和整体初始参数更新的速率不同；
2.局部网络中往往是一次训练，但是也可以根据数据量进行更改，使得收敛更好；
标签：而不是 cio 模型 概念 预测 learn 不同 数据 机器学习
原文地址：https://www.cnblogs.com/songlinxuan/p/13859490.html
