Meta Learning概述（一）
回顾Machine Learning
- 定义一个function（神经网络等），该function上有很多参数，参数统一定义为θ，对于一个猫狗分类器来说，当猫狗的图片经过f(θ)时，函数会输出一个猫或狗的结果
- 定义一个Loss function，L(θ)
- 使用优化器，找到最优参数\(θ^*\),使得L(θ)最小
什么是Meta Learning
Step1：定义一个F，该F是为了学习一个function，对于猫狗分类器来说，当猫狗的图片经过f(θ)时，使得F(f(θ))可以正确预测猫狗类别。其中Φ被定义为learnable components。
Step2：定义一个Loss function。在Meta Learning中，训练任务被分为了很多Task，每个Task中包含N-Way K-Shot的Support Set和Query Set，在每一轮的迭代中，一个Episode要学习到Support Set中的特征，同时用Query Set做验证来计算损失。每个Task会有一个损失，它们的和就是Loss function
Step3：使用一些方优化法找到Φ使得整个Loss function最小。
总结
-
meta learning是为了学到一个function，学习一个学习算法。
-
meta learning的训练过程中，用
across-task training代表meta learning的整个训练过程，其包含一个Episode中的两个within-task(train和test)。如下图所示：
