什么是Meta Learning？

Meta learning的思想源于人类对自身学习过程的理解。传统机器学习算法在训练过程中需要feed大量的样本，并且当任务发生改变时，模型需要重新训练。然而对于人类来说，我们可以很快的理解新知识，例如会骑自行车的人可以很快上手摩托车，甚至不需要示范。Meta learning要解决的就是学习一个可以快速学习的模型，这就是所谓的’ learning to learn’。传统机器学习无外乎学会分类、回归等，是学会执行任务，可以视作low-level的学习。而 Meta-learning 则设想能够掌握学习方法，使各种任务都能融会贯通，这就是high-level的学习了。

因此，Meta learning 并不局限于哪一种机器学习方法，也不局限于任务，而是一种high-level learning的思想，因此可以用到supervised learning, reinforcement learning等中：

• 即使仅在没有猫的图片数据集中学习，也可以在观察了少数的猫之后学会识别图中的猫
• 游戏AI可以很快的学会玩新游戏
• 即使仅在平坦的环境中进行训练，微型机器人也可以在测试过程中在上坡表面完成所需的任务。