理解MAML：Model-Agnostic Meta-Learning for Fast Adaption of Deep Networks

论文：Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks (arXiv:1703.03400v3 [cs.LG] 18 Jul 2017)

---

MAML解决的就是few-shot learning的问题。few-shot就是在有限的样本上训练后进行测试，那么问题转化为，用有限的样本进行训练使网络快速适应拟合当前的类别，然后进行测试。

那么网络的目标就是：在有限的样本上进行快速拟合。训练网络的目的就是在有限的样本上快速拟合的能力。

由此MAML将每个快速拟合作为目标，所以以task为单位： 每个Task中包含有训练/微调样本（support）和验证/测试样本（query）。训练、测试时都是以task为样本单位输入的。

task就包含了有限样本的快速拟合过程（support，在网络中属于训练微调步骤），然后测试（query）过程。

【注】为了区分训练和测试时的样本类别名称： 

• 训练步骤：support表示为训练集，query表示为验证集；
• 测试步骤：support表示为微调集，query表示为测试集。

---

【训练】：

1. 随机的初始化网络参数

2. 用 中的训练样本，步长 α 进行训练得到    

3. 在上一步训练得到的   基础上用  的验证（query）集测试，得到  下的损失   

4. 用所有  的  ，meta步长  重新以 为初始参数进行训练，得到网络参数 ，以这个  为初始参数进行测试步骤（以  替换 ）。

【测试】：

在 的网络中，用task中的微调样本训练微调网络参数，然后在微调后的网络对测试样本进行测试，输出结果

---