模型不可知元学习(Model-Agnostic Meta-Learning, MAML)的目标是使模型每次的梯度更新更有效、提升模型的学习效率、泛化能力等，它可以被看做一种对模型进行预训练的方法，适用于小样本学习。
原文：http://proceedings.mlr.press/v70/finn17a/finn17a.pdf
其它理解可以看：https://zhuanlan.zhihu.com/p/57864886
看论文中Algorithm 2，在有监督分类任务上进行理解。为了表达更清晰，下面的符号表示与论文算法中的表示不同：
假设模型$f_\theta$要执行小样本分类任务$\mathcal{T}$，其训练集和测试集分别是$\mathcal{D}_T$和$\mathcal{D}_E$。$\mathcal{D}_T$与$\mathcal{D}_E$都包含$N$个类别，$\mathcal{D}_T$每个类别$K_T$个样本，$\mathcal{D}_E$每个类别$K_E$个样本。
为了增强模型对任务$\mathcal{T}$的训练效率和泛化能力，MAML使用另一个更大的数据集$\mathcal{D}_M$对模型进行预训练。$\mathcal{D}_M$即为文中Algorithm 2的$p(\mathcal{T})$。
对于MAML的每次迭代(也就是Algorithm 2第2行)，MAML从$\mathcal{D}_M$中随机抽取一批与任务$\mathcal{T}$有相同类别数和样本量的数据集$\{(\mathcal{D}^1_T,\mathcal{D}^1_E),...,(\mathcal{D}^n_T,\mathcal{D}^n_E)\}$。然后模拟任务$\mathcal{T}$使用$\mathcal{D}^i_T$对模型$f_\theta$进行训练并更新参数，得到$n$个更新参数后的模型$\{f_{\theta'_1},...,f_{\theta'_n}\}$。参数更新式子如下：
$\theta'_i=\theta-\alpha\nabla_\theta\mathcal{L}(\theta,\mathcal{D}^i_T),i=1,2,...,n$
其中$\alpha$为学习率。以上只进行了一次训练，也可以进行多次。在本次MAML迭代中，下面就是MAML对模型$f_\theta$正式的参数更新，即文中Algorithm 2的第10行。MAML的思想是使模型$f_\theta$在不同训练集上进行少量的训练就能对测试集有良好的泛化性能。因此，MAML对$f_\theta$正式的参数更新表达如下：
$\theta=\theta-\beta\nabla_\theta\sum\limits_{i=1}^n\mathcal{L}(\theta'_i,\mathcal{D}^i_E)$
其中$\beta$为学习率。经过多次以上MAML迭代，模型对于任务$\mathcal{T}$的学习效率和泛化能力得到了有效提升。接下来就是使用MAML预训练的模型$f_\theta^*$，在$\mathcal{D}_T$训练集上进行微调(Fine-tune)，以完成任务$\mathcal{T}$的训练。最后使用$\mathcal{D}_E$进行测试。
需要注意的是，由于上式会计算二重梯度，代码实现中第一次导数的计算与参数更新需要将计算图保留。另外，由于MAML是增强模型对某种任务的适应能力，而不是对单个数据集的性能，所以，$\mathcal{D}_M$无需包含$\mathcal{D}_T$或$\mathcal{D}_E$中的类别，当然包含的话效果更好。比如，你有猫狗二分类任务数据集，但样本量很小，你可以先使用ImageNet对模型进行MAML，然后再使用MAML后的模型进行猫狗分类的微调。