大家好，欢迎来到IT知识分享网。
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MAML 算法深入浅出的解释 ，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。
免责声明：本站所有文章内容,图片，视频等均是来源于用户投稿和互联网及文摘转载整编而成，不代表本站观点，不承担相关法律责任。其著作权各归其原作者或其出版社所有。如发现本站有涉嫌抄袭侵权/违法违规的内容,侵犯到您的权益，请在线联系站长,一经查实,本站将立刻删除。 本文来自网络,若有侵权，请联系删除，如若转载，请注明出处：https://haidsoft.com/146787.html
