本篇博客是李宏毅老师元学习课程的笔记。
深度学习大部分时间在调参数。在业界通常有很多计算资源供我们进行调参，在学界我们通常靠心灵感应来设置一组好的超参数。
Meta Learning被称作元学习，和机器学习一样遵循那三个步骤，不同于Machine Learning的目标是让机器能够学习，Meta Learning则是要让机器学会如何去学习。
训练资料是多个训练任务数据和它们对应的学习
以梯度下降算法为优化算法的网络为例，它的流程可以简述为：设计一个网络架构->给参数初始化->读入训练数据批次->计算梯度->基于梯度更新参数->进入下一轮训练->……。对于每一个具体的任务来说，它的全部算法流程就构成了一个
F
ϕ
F_{\phi}
Fϕ。其中
ϕ
\phi
ϕ就是我们要学习的可学习的参数（通常包括网络结构、初始参数、学习率…）。
当我们无法计算梯度的时候，我们可以采用强化学习和进化算法
元训练：
分为内层和外层优化，外层用于学算法参数，内层用于学模型参数，内层是给出
w
w
w学出
θ
∗
\theta^*
θ∗，把
θ
∗
\theta^*
θ∗拿到查询集中，验证学的怎么样，如果不好，说明
w
w
w不好，通过loss去更新
w
∗
w^*
w∗，不断迭代。
元测试：
已经学到最好的算法后，在测试集的支撑集上去学一个模型，最终，
θ
∗
\theta^*
θ∗就是测试模型。
本篇博客主要介绍了元学习的基本概念、元学习的建模流程以及元学习和机器学习的对比。
元学习将数据以任务的形式进行划分，将数据集分为很多个任务。而这些任务在类别上又可以分为训练任务和测试任务。每个任务自身可以分为支持集和查询集。
元学习不是学习一个函数，而是学习一个学习函数。
以分类任务为例：通过训练任务中的支持集进行训练得到一个学习函数，通过学习得到一个分类器，通过训练任务的查询集进行测试，计算预测值和标签的损失函数，以最小化目标函数进行优化，训练得到学习函数。测试任务的支持集用来根据学习函数训练分类器，测试任务的支持集用来进行测试。
