---

一、Introduction of Meta Learning

1.What is Meta Learning?

元学习（Meta Learning）是指找到产生Function的函数F，给这个函数F输入训练资料，产生可以满足需要的Function。

2.Meta Learning

1） step1
之前的Component都是人为设定的，而且现在希望这些Component是机器可以自己学出来的。

2） step2
之前的机器学习中的Loss是通过训练资料学出来的，而Meta Learning的Loss是通过训练任务的测试资料学出来的。

3） step3
找到最优化的解法使Loss最小。

3.Goal

机器学习的目标是找到一个Function f，而Meta Learning的目标是找到一个Function F，它是可以找到Function f的方法。

4.Training Data

机器学习在任务内进行训练，而Meta Learning是跨任务进行学习。

5.Loss

Machine Learning是通过一个任务学出来的，而Meta Learning是通过大量的任务学出来的。

二、What is learnable in a learning algorithm?

1.Learning tor initialize

MAML和Reptile这两种方法可以透过一些训练任务找到对训练有帮助的初始化参数。

2.How to train your MAML

MAML和Pre-training的不同在于MAML要用到有标注的训练资料。

3.Sample Reweighting

在训练的过程中，给不同的sample不同的weight。

4.Beyond Gradient Descent

之前的方法都是基于Gradient Descent的，现在有论文证实是可以舍弃掉Gradient Descent的。

三、Applications

1.Few-shot Image Classification

如下图所示，这是最常用来测试Meta Learning的任务，其中每一个类别都有一些图片，通过训练后，能够辨别一张新图片属于哪一个类别，这种方式也就是N-ways K-shot classification。

2.Omniglot

Omniglot可以在Meta Learning中准备N-ways K-shot classification用于训练任务和测试任务。

---