参考视频
【2.21】元学习：学会如何去学习，就是带着这种对人类这种“学习能力”的期望诞生的。Meta Learning希望使得模型获取一种“学会学习”的能力，使其可以在获取已有“知识”的基础上快速学习新的任务，如：
让Alphago迅速学会下象棋
让一个猫咪图片分类器，迅速具有分类其他物体的能力
优点：
让学习更加有效率。我们通过多个task的学习，使得模型学习其他task时更加容易。
样本数量比较少的任务上，更加需要有效率的学习，从而提升准确率和收敛速度。meta learning是few shot learning的一个比较好的解决方案
一般的机器学习任务，我们是需要学习一个模型f，由输入x得到输出y。而meta learning，则是要学习一个F，用它来学习各种任务的f。如下图
分类：
单任务元学习：
往常深度学习流程，现在考虑能否学F？
W称为元知识；fw是指适合数据的算法；fθ代表分类模型
多任务的元学习算法
支撑集用于元训练学习w
用的验证集（查询集）数据计算损失用于学习θ
分类：
基于优化的
基于权重参数初始化的
基于模型的
基于优化的元学习：
在进行参数学习时，不是通过一定的规则（SGD Adam）而是通过学习的方式寻找参数
【2.22】模型参数初始化元学习：
模型无关元学习(MAML)
步骤：
①外层循环：随机抽取任务进入内层循环
②内层循环：选取K个样本，基于随机初始化的θ进行微调 得到θ’
③在查询集评估模型
④一直到收敛
MAML loss function如下：所有task的testing set上的loss之和，即为MAML的Loss，我们需要最小化这个loss。通过gradient descent的方法就可以实现。
MAML更新参数的过程如下所示
初始化meta learning参数φ0
由φ0梯度下降一次，更新得到θm
在task m上更新一次参数（微调）
通过第二次θ的方向，确定φ的更新方向，得到φ1。
而对于model pretrain，其φ和θ的更新始终保持一致。
MAML的创新点在于，训练模型时，在单个任务task中，模型参数只更新一次。李宏毅老师认为主要原因是：
MAML希望模型具有单个task上，参数只更新一次，就可以得到不错初始化参数的能力
meta learning的数据集一般都是few shot的，否则很多task，训练耗时会很高。而few shot场景下，一般模型参数也更新不了几次
虽然在训练模型时只更新一次初始化参数，但在task test时，是可以更新多次参数，让模型充分训练的
meta learning一般会包括很多个task，单个task上只更新一次，可以保证学习效率。
Reptile
Reptile和MAML一样，也是focus在模型参数初始化上。故loss function也基本相同。不同之处是，它结合了pretrain model和MAML的特点，在模型参数更新上有所不同。Reptile也是先初始化参数φ0，然后采样出任务m，更新多次（而不是MAML的单次），得到一个不错的参数θm。利用θm的方向来更新φ0到φ1。同样的方法更新到φ2
小样本学习(few shot learning)
n-way-k-shot架构（n类 每类中取出k样本）
根据类来切分数据集
与预训练模型的区别
主要区别在于计算损失函数时区别不一样
MAML要求更新一步后θ做得好
pre-trained要求学习时θ本身做的好
权重元学习：
在学习样本时给每个样本赋一个权重，有的样本难以学习，有的样本比较好学习
数据集蒸馏：
把支撑集作为元知识，模型效果不好时，算法不动，改变数据集，使得效果较好。