Meta-learning就是教会它怎么学！

大家以为AI都是很牛，但其实就是在调参，在工业界怎么样子调参呢？ 使用1000GPUs，而学业界只有一张！ 我们知道Machine learning可以学出来，那么hyperparameters是不是能学出来呢？

我们回顾一下Machine Learing！其实就是三个步骤：

这里，我们定义了函数f($\theta$)，我们需要找到那个使得L($\theta$)最小的${\theta }^{\ast }$! 同时使用$f_{{\theta }^{\ast }}$成为最终的模型训练！

What is Meta Learning？

我们原来都是设置模型，并且调参从而得到我们最后的函数！
那么我们是不是能让机器来学习这个模型，学习合适的参数呢？

Meta-learning - Step 1

在学习算法中什么是可以学习的？

Meta learning – Step 2

Define loss function for learning algorithm $F_{\varphi }$

怎么定义$L(\varphi )$?

我们会分为multi tasks，同一个F不同的任务，最终取所有损失之和！ 这里需要注意，我们是在测试阶段进行损失的计算的！ 这是和一般的机器学习很大的不同之处！

Meta learning – Step 3

不管使用什么方法，我们也是找到最合适的$\theta$

把问题想象成Training tasks 和 Testing tasks！
Few-shot是目标，Meta是手段！

MeatLearning vs ML

Goal

Training Data

在Meta Learning里面，我们只有Training tasks的划分，每个训练任务中我们有Train和Test集！ 但是这听起来有点绕口，所以就Train set称为了Support set， 而Test set称为Query set！

Task

在ML中只有一个任务，一个任务中训练集和测试集！
但是在Meta Learning中，却是Training Tasks，多个Task，取各个任务的loss，并求和！

这里我们可以量一个Testing Task称为一个episode！

Loss

每个任务都需要计算损失，这个计算量是很大的！
这里我们将Across-task Learning叫做Outer Loop；
而Within-task则称为Inner Loop！

Same

Meta-Learning也是需要有超参数的，但是这里的超参数理想情况下是一劳永逸，可以用在任何形式上！

Devlopment task： 是用来当工具的，比如学习率我们不知道是不是可行，那么就需要用在Development task来操作的！