这是一种基于元学习的小样本学习方法，所以学习MAML首先要了解一下元学习、小样本学习的相关内容，可以参考https://blog.csdn.net/whscheetah/article/details/ ，或者从其他渠道了解一些相关知识。
论文名称《Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks》，下载链接https://arxiv.org/abs/1703.03400
这个算法在表现形式上非常简单，但是解释起来比较困难。
这个算法的目的是采用元学习的方式获取到一个优秀的初始化参数 θ 。这个 θ 能适用于各种任务task。
很明显，MAML的优化过程分为两层:
1.内层循环：当前的参数是θ，输入的是 T 个任务的 training 集，每个任务都在 θ 的基础上，独立的进行一次梯度更新，得到 T 个优化后的结果，记作θ1，θ2，……θT。在高维空间里面，可以用图中的点形象的地表示。但是这 T 个 θi 好不好呢？显然不好，因为 θi 是由 任务 Ti 中的 training set 学习到的，适用于任务 Ti ，它只是它对应的任务 Ti 的最优解，而不是多个任务的最优解。
2.外层循环：那如何得到多个任务的最优解呢？总不能将这T个 θi 做个平均吧！因此，非常自然的想法就是，通过学习，获取适合多个任务的最优解。这就是以这 T 个 θi 为参数，在 test set 的基础上，进行再一次学习。
这次梯度下降的意义很明显，就是希望能获取一个 θ ，它能够使得 test set 在 T 个任务上的损失之和最小，这样得到的 θ ，显然就是能够适用于所有任务的最优解。
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容，请联系我们，一经查实，本站将立刻删除。
如需转载请保留出处：https://51itzy.com/kjqy/46018.html