机器学习笔记

MAML：专注于提升模型整体的学习能力，而不是解决某个具体问题的能力。训练数据以task为基本单位，每个task都有自己独立的损失函数。训练时，不停地在不同的task上切换，从而达到初始化网络参数的目的，最终得到的模型面对新的task时可以学习得更快。

 

few-shot learning：每类只有少量训练数据的学习任务。

Reptile：和MAML很像。在Reptile中，每更新一次参数，需要sample一个batch的task，并在各个task上施加多次梯度下降，得到各个task对应的新参数。然后计算新参数和主任务的参数的差向量，作为更新参数的方向。这样反复迭代，最终得到全局的初始化参数。

Monte Carlo：也称随机抽样法，统计模拟方法。一种以概率统计理论为指导的一类非常重要的数值计算方法。使用随机数来解决很多计算问题的方法。当所求解问题是某种随机事件出现的概率，或者是某个随机变量的期望值时，通过某种“实验”的方法，以这种事件出现的频率估计这一随机事件的概率