超简单MAML阐述

核心思想

模型初始化参数$\theta$，从给定的数据集$p(T)$中抽样不同的$T_i$，每个$T_i$包含训练集和测试集，保证训练集和测试集都是一个类别（比如训练集是猫和狗，测试集也应该是猫和狗）。

在不同的任务$T_i$上，利用训练集对模型初始化参数$\theta$ 进行一次或多次梯度更新，获得新的模型参数${\theta }^{{}^{\prime }}$.然后利用测试集，获得在该模型参数下的损失函数的方向$\nabla L_{T_i}(f_{{\theta }^{{}^{\prime }}})$。

之后将模型初始化参数$\theta$沿不同任务$T_i$获得的损失函数方向$\nabla L_{T_i}(f_{{\theta }^{{}^{\prime }}})$，进行更新，从而得到新的模型参数$\theta$.

这个模型参数具有照顾所有任务的功能，虽然不是某个任务的最佳解，但是一定能通过少数的样本，达到最佳解，从而达到快速学习的效果。

核心思想的图像演示

两个任务下，模型参数位置的比较（为什么模型应该这么更新？）

如上图所示，深绿色代表任务1的损失，浅绿色代表任务2的损失。如果我们的模型参数$\theta$ 选择为左图的位置，虽说达到了任务1的最优解，但是忽略了任务2的最优解。但用少量的样本进行梯度更新时，我们可以发现，任务2的梯度下降方向指向了一个极小值点，而这个极小值点并不是任务2的最优解，那么此时模型的学习能力不足，没有办法获得最优解，于是这种考虑单一任务最优解的方式不可取。

那么，我们可以看一下右图$\theta$ 选取的位置，虽然它的位置并不是任务1和任务2的最优位置，但是却提供了无限的可能。当提供给模型少量的样本时，我们可以发现，任务1和任务2的下降方向指向了各自任务的最优解，那么此时模型就具备了快速学习的能力。

综上所述，模型参数的选取并不是某个任务的最优解，而是，模型参数能够照顾所有的任务的全局解，使得模型参数进行参数更新的时候，能够指向各自任务的最优解。而这个模型参数位置的选择，就是利用不同任务的梯度下降方向，详情请看上面。

模型的算法

不同K下的MAML和预训练的比较

从上图可以看出预训练的效果比MAML整体要差。MAML中K=10，一次梯度更新时最佳。计算量也不会很大。

MAML的效果（N-way：n个类别；K-shot：每个类别K个样本）

注：图1和图2引用知乎：南有乔木。