机器学习李宏毅学习笔记35

---

前言

Meta learning元学习：学习如何学习

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、Meta learning

学习这件事也是一个function，这个function的输入是一个dataset，输出是一个classifier，输入测试资料，希望获得正确的结果。这个function是人定的，能不能用机器学习学习这个function，机器学习中通过三个步骤找一个function，meta learning也是要找一个function，这个function是learning algorithm。

1.第一步

在ML中neural的weight和bias要学出来，在meta learning里面可能要学的是network的架构、初始化的参数、learning rate等。∅表示learning algorithm里面要学的未知参数。

2.第二步

第二步是要定loss function决定某一组参数有多好。在一般的ML中L来自于训练资料，在meta learning里面收集的是训练的任务。比如要训练一个二元的分类器，要准备很多二元分类的任务，每个任务里面都会有训练资料和测试资料。

把任务里面的训练资料拿出来给algorithm学，会学出一个classifier，把这个classifier跑在测试资料上，看看会得到什么样的结果。结果的好坏决定loss的高低。计算输出和正确的cross entropy，把cross entropy加起来，这个总和越小，表示这个learning algorithm越好。将多个任务让learning algorithm学，得到多个loss，将这些loss加起来获得它的平均值，就得到这个learning algorithm的total loss。

在meta learning里面是用测试资料进行计算loss，区别于一般机器学习在训练资料上计算loss，是因为Meta learning 的训练单位是任务。

3.第三步

第三步，找∅让L（∅）最小。有些可以直接用gradient descent，但有些问题不能用gradient descent比如∅是network架构之类的（离散的），可以用reinforce learning 训练下去。

在测试的任务里面的训练资料给训练完的learning algorithm里，学出一个classifier，把分类器用在测试任务的测试资料上。测试任务是真正关心的任务，希望在测试任务上得到好结果。

二、machine learning 和 meta learning区别

Machine learning目标是找一个function，得出分类的结果。Meta learning也要找一个function，这个function是要找Machine learning里面的function。

在Machine learning里面是要判断一个classifier的好坏，而meta learning是要测试一个learning algorithm的好坏。所以在meta learning里面的测试还包括了训练，是across-task testing。一整个within-task training和within-task testing叫做一个episode。

在loss上，machine learning来自于某一个任务的训练资料，在meta learning中使用所有任务算出来的。

---

总结

学习视频地址：https://www.bilibili.com/video/BV13Z4y1P7D7?p=37&vd_source=3a369b537e1d34ff9ba8f8ab23afedec