目录
元学习（Meta-learning）
智能的一个关键方面是多功能性——做许多不同事情的能力。当前的AI系统可以做到精通于某一项技能，但是，如果我们要求AI系统执行各种看似简单的问题（用同一个模型去解决不同问题），它将会变得十分困难。相反，人类可以明智地利用以往经验并采取行动以适应各种新的情况。因此我们希望 agent 能够像人类一样利用以往经验来解决新的问题，而不是将解决新问题的方法从头学起。Learning to learn 或者 meta-larning 是朝这个方向发展的关键一步，它们可以在其生命周期内不断学习各种任务。
元学习被用在了哪些地方？
元学习通常被用在：优化超参数和神经网络、探索好的网络结构、小样本图像识别和快速强化学习等。
Few-Shot Learning（小样本学习）
2015年， Brendan Lake et al. 发表一篇论文，这对现代机器学习方法提出了挑战，他认为机器可以从一个或者几个实例中学习到新概念。后继的两篇论文 memory-augmented neural networks 和 sequential generative models 表明，对深度模型来说，其可以从少量实例中进行学习，尽管还没有达到人类水平。
最近的元学习方法如何工作
元学习系统要接受大量任务（tasks）的训练，并预测其学习新任务的能力。这种任务可能是对新图像分类（给定每个类别就只有一个示例），其中有5种可能类别；或者是这样一种任务，仅通过学习一个迷宫就可以有效地在新的迷宫中导航。这与许多标准的机器学习技术不同，后者涉及对单个任务地训练，并且保留了一些示例对该任务进行测试。下图是图像分类领域运用元学习的示例：
在元学习过程中，训练模型以学习 meta-training set 中的任务，这其中有两个优化在起作用：learner：学习新任务；meta-learner：训练 learner。元学习的方法通常分为三类：（1）recurrent models，（2）metric learning， （3）learning optimizers。
这里重点介绍第三种方法，即学习一个优化器。在这种方法里，有两个网络，分别是 meta-learner 和 learner。前者学习如何更新后者，使得后者能够有效学习新任务。这种方法已被用于研究更好的神经网络优化。meta-learner 通常是循环网络（recurrent network），这样才能记得之前是怎样更新 learner 模型。此外，meta-learner 可以使用强化学习或者监督学习进行训练。
Model-Agnostic Meta-Learning (MAML)
MAML 的思路就是直接针对初始表示进行优化，其中这种初始表示可以通过少量示例进行有效地调整。像其他 meta-learning 方法一样，MAML 也是通过许多 tasks 进行训练，训练所得表征可以通过很少梯度迭代就能适应新任务。MAML 试图寻找这样一种初始化，不仅有效适用不同任务，而且要快速适应（仅需要几步）和有效适应（只使用很少样例）。观看下图，假设我们正在寻找一组有很强适应性的参数 \(\theta\) 。在元学习过程中（实线部分），MAML 针对一组参数进行优化，以使得对特定任务 \(i\) （灰线部分）采取梯度步骤时，这些参数可以接近最佳参数 \(\theta_i^*\) 。
以 MAML 为例介绍元学习一些相关概念
1. N-way K-shot：这是 few-shot learning 中常见的实验设置，N-way 指训练数据中有 N 个类别，K-shot 指每个类别下有 K 个被标记数据。
2. model-agnostic：即指模型无关。MAML 相当于一个框架，提供一个 meta learner 用于训练 learner。meta-learner 是 MAML 的精髓所在，用于 learning to learn；而 learner 则是在目标数据集上被训练，并实际用于预测任务的真正数学模型。绝大多数深度学习模型都可以作为 learner 无缝嵌入 MAML 中，MAML 甚至也可以用于强化学习中，这就是 MAML 中模型无关的含义。
3. task：这在 MAML 中是一个很重要的概念。我们首先需要了解的概念：\(D_{meta-train}, D_{meta-test}\)，support set，query set，meta-train classes，meta-test classes等等。假设一个这样的场景：我们需要利用 MAML 训练一个数学模型 \(M_{fine-tune}\)，目的是对未知标签图片做分类，类别包括\(P_1 \sim P_5\)（每类有 5 个已标注样本用于训练，另外 15 个已标注样本用于测试）。我们的训练数据除了 \(P_1 \sim P_5\) 中已标注的样本外，还包括另外 10 个类别的图片 \(C_1 \sim C_{10}\)（每类有 30 个已标注样本），用于帮助训练元学习模型 \(M_{meta}\)。
此时， \(C_1 \sim C_{10}\) 即为 meta-train classes， \(C_1 \sim C_{10}\) 包含的 300 个样本即为 \(D_{meta-train}\)，作为训练 \(M_{meta}\) 的数据集。与此相对， \(P_1 \sim P_{5}\) 即为 meta-test classes， \(P_1 \sim P_{5}\) 包含的 100 个样本即为 \(D_{meta-test}\)，作为训练和测试 $M_{fine-tune} $ 的数据集。
我们的实验设置为5-way 5-shot，因此在 \(M_{meta}\) 阶段，我们从 \(C_1 \sim C_{10}\) 中随机选取 5 个类别，每个类别再随机选取 20 个已标注样本，组成一个 Task \(\text{T}\)，其中的 5 个已标注样本称为 \(\text{T}\) 的 support set，另外 15 个样本称为 \(\text{T}\) 的 query set。这个 Task \(\text{T}\) 相当于普通深度学习模型训练过程的一个数据，因此我们需要反复在训练数据分布中抽取若干个 \(\text{T}\) 组成 batch ，才能使用随机梯度下降 SGD。
MAML 算法流程
这里内容主要来自知乎：https://zhuanlan.zhihu.com/p/57864886
以上是 MAML 预训练阶段的算法，目的是得到模型 \(M_{meta}\) 。下面是逐行分析：
首先是前两个 Require。第一个 Require 指的是 \(D_{meta-train}\) 中 task 的分布，我们可以反复随机抽取 task，形成一个由若干个 \(\text{T}\) 组成的 task 池，作为 MAML 的训练集。第二个 Require 就是学习率，MAML 是基于二重梯度的，每次迭代包含两次参数更新的过程，所以有两个学习率可以调整。
步骤1：随机初始化模型参数；
步骤2：是一个循环，可以理解为一轮迭代过程或一个 Epoch，当然，预训练过程也可以有多个 Epoch，相当于设置 Epoch；
步骤3：随机对若干个（e.g., 4 个）task 进行采样，形成一个 batch；
步骤4 \(\sim\) 步骤7：第一次梯度更新过程。注意这里我们可以理解为copy了一个原模型，计算出新的参数，用在第二轮梯度的计算过程中。 我们说过，MAML是gradient by gradient的，有两次梯度更新的过程。步骤4～7中，利用batch中的每一个task，我们分别对模型的参数进行更新（4个task即更新4次）。 注意这个过程在算法中是可以反复执行多次的，但是伪代码没有体现这一层循环 。
步骤5： 利用 batch 中的某一个 task 中的 support set（ 在 N-way K-shot 的设置下，这里的support set 应该有 NK 个 ），计算每个参数的梯度。 注意： 这里的loss计算方法，在回归问题中，就是MSE；在分类问题中，就是cross-entropy。
步骤6：第一次梯度的更新。
步骤4 \(\sim\) 步骤7： 结束后，MAML完成了第一次梯度更新。接下来我们要做的，是根据第一次梯度更新得到的参数，通过gradient by gradient，计算第二次梯度更新。第二次梯度更新时计算出的梯度，直接通过SGD作用于原模型上，也就是我们的模型真正用于更新其参数的梯度。
步骤8：这里对应第二次梯度更新的过程。这里的loss计算方法，大致与步骤5相同，但是不同点有两处：第一处是我们不再分别利用每个task的loss更新梯度，而是像常见的模型训练过程一样，计算一个batch的loss总和，对梯度进行随机梯度下降SGD；第一处是这里参与计算的样本，是task中的 query set，在我们的例子中，即5-way*15=75个样本，目的是增强模型在task上的泛化能力，避免过拟合 support set。步骤8结束后，模型结束在该batch中的训练，开始回到步骤3，继续采样下一个batch。
以上便是 MAML 预训练得到 \(M_{meta}\) 的全部过程。
接下来，在面对新的 task 时，我们将在 \(M_{meta}\) 的基础上，精调（fine-tune）得到 \(M_{fine-tune}\) 。
精调过程于预训练过程大致相同，不同之处有以下几点：
- 步骤 1 中，fine-tune 不用再随机初始化参数，而是利用训练好的 \(M_{meta}\) 初始化参数；
- 步骤 3 中，fine-tune只需要抽取一个task进行学习，自然也不用形成batch。fine-tune利用这个task的support set训练模型，利用query set测试模型。 实际操作中，我们会在 \(D_{meta-test}\) 上随机抽取多个 task（e.g., 500 个），分别微调模型 \(M_{meta}\)，并对最后测试结果进行平均，避免极端情况；
- fine-tune 没有步骤 8， 因为task的query set是用来测试模型的，标签对模型是未知的。因此fine-tune过程没有第二次梯度更新，而是直接利用第一次梯度计算的结果更新参数。