元学习（MetaLearning）或者叫做“学会学习”（Learningtolearn），它是要“学会如何学习”，即利用以往的知识经验来指导新任务的学习，具有学会学习的能力。
元学习的概念、主要方法以及模型等内容，在《百面深度学习》这本书的第7章给了我们较为详细的讲解，有兴趣的同学可进行阅读。
下面人邮君和大家一起来了解一下。
由于元学习可帮助模型在少量样本下快速学习，从元学习的使用角度看，人们也称之为少次学习（Few-ShotLearning）。
更具体地，如果训练样本数为1，则称为一次学习（One-ShotLearning）；训练样本数为K，称为K次学习；更极端地，训练样本数为0，称为零次学习（Zero-ShotLearning）。另外，多任务学习（MultitaskLearning）和迁移学习（TransferLearning）在理论层面上都能归结到元学习的大家庭中。
当前的深度学习大部分情况下只能从头开始训练。使用Finetune来学习新任务，效果往往不好，而MetaLearning就是研究如何让神经元两个很好的利用以往的知识，使得能根据新任务的调整自己。
JürgenSchmidhuber[德]，计算机科学家，以在人工智能、深度学习和人工神经网络领域的工作而著称
瑞士DalleMolle人工智能研究所的联合主任JürgenSchmidhuber在1987年毕业论文《Evolutionaryprinciplesinselfreferentiallearning.(Onlearninghowtolearn:Themeta-meta-hook.)》中最早提出了元学习的概念。在1992和1993两年里又借助循环神经网络进一步发展元学习方法。
元学习适合哪些学习场景？在人工智能系统的背景下，元学习可以简单地定义为获取知识多样性(knowledgeversatility)的能力。作为人类，我们能够以最少的信息同时快速完成多个任务；例如人类在有了世界的概念之后，看一张图片就能学会识别一种物体，而不需要向神经网络一样一切都得从头训练；又例如在学会了骑自行车之后，可以基本在很短时间里无障碍地学会骑电动车。
目前的AI系统擅长掌握单一技能，例如Go，Jeopardy甚至直升机特技飞行。但是，当你要求AI系统做各种简单但又略有不同的问题时，它会很困难。相比之下，人类可以智能地行动和适应各种新的情况。
元学习要解决的就是这样的问题:设计出拥有获取知识多样性能力的机器学习模型，它可以在基于过去的经验与知识下，通过少量的训练样本快速学会新概念和技能。
与多任务学习以及迁移学习看似相同其实不尽相同的元学习？元学习虽然从适应新任务的角度看，像是多任务学习；从利用过去信息的角度看，又像迁移学习。不过相对比二者还是有自己的特殊性
相较于迁移学习元学习模型的泛化不依赖于数据量。而迁移学习微调阶段还是需要大量的数据去喂模型的，不然会很影响最终效果。而元学习的逻辑是在新的任务上只用很少量的样本就可以完成学习，看一眼就可以学会。从这个角度看，迁移学习可以理解为元学习的一种效率较低的实现方式。
对比多任务学习元学习实现了无限制任务级别的泛化。因为元学习基于大量的同类任务(如图像分类任务)去学习到一个模型，这个模型可以有效泛化到所有图像分类任务上。
而多任务学习是基于多个不同的任务同时进行损失函数优化，它的学习范围只限定在这几个不同的任务里，并不具学习的特性。
meta-learning与有监督学习强化学习具体有哪些差别？我们把有监督学习和强化学习称为从经验中学习（LearningfromExperiences),下面简称LFE；而把元学习称为学会学习（LearningtoLearn),下面简称LTL。两者的区别如下。
训练集不同
LFE的训练集面向一个任务，由大量的训练经验构成，每条训练经验即为有监督学习的（样本，标签）对，或者强化学习的回合（episode)而LTL的训练集是一个任务集合，其中的每个任务都各自带有自己的训练经验。
预测函数不同
损失函数不同
评价指标不同
学习内涵不同
LFE是基层面的学习，学习的是样本特征（或数据点）与标签之间呈现的相关关系，最终转化为学习一个带参函数的形式；而LTL是在基层面之上，元层面的学习，学习的是多个相似任务之间存在的共性。不同任务都有一个与自己适配的最优函数，因此LTL是在整个函数空间上做学习，要学习出这些最优函数遵循的共同属性。
泛化目标不同
LFE的泛化目标是从训练样本或已知样本出发，推广到测试样本或新样本；而LTL的泛化目标是从多个不同但相关的任务入手，推广到一个个新任务。LTL的泛化可以指导LFE的泛化，提升LFE在面对小样本任务时的泛化效率。
与其他任务的关系不同
————
更多关于元学习的内容，例如元学习的主要方法、数据准备、模型等，请见《百面深度学习》。
《百面深度学习》由Hulu的近30位算法研究员和算法工程师共同编写完成，专门针对深度学习领域，全面收录135道真实算法面试题，直击面试要点，是《百面机器学习：算法工程师带你去面试》的延伸。
《百面深度学习》仍然采用知识点问答的形式来组织内容，每个问题都给出了难度级和相关知识点，以督促读者进行自我检查和主动思考。书中每个章节精心筛选了对应领域的不同方面、不同层次上的问题，相互搭配，展示深度学习的“百面”精彩，让不同读者都能找到合适的内容。
:hover{text-decoration:none;}/*pc样式*/.pgc-card{box-sizing:border-box;height:164px;border:1pxsolide8e8e8;height:120px;position:absolute;right:76px;top:20px;}.pgc-cover{position:absolute;width:162px;height:162px;top:0;left:0;background-size:cover;}.pgc-content{overflow:hidden;position:relative;top:50%;-webkit-transform:translateY(-50%);transform:translateY(-50%);}.pgc-content-title{font-size:18px;color:444;overflow:hidden;text-overflow:ellipsis;padding-top:9px;overflow:hidden;line-height:1.2em;display:-webkit-inline-box;-webkit-line-clamp:2;-webkit-box-orient:vertical;}.pgc-content-price{font-size:22px;color:406599;font-size:14px;text-align:center;}.pgc-buy-text{padding-top:10px;}.pgc-icon-buy{height:23px;width:20px;display:inline-block;background:url();}百面深度学习算法工程师带你去面试
￥74.3
购买
元学习已经被大家研究了几十年，可我们对他的探索依旧方兴未已，各种神奇的想法层出不穷，但是真正的杀手级算法还未出现，未来元学习也将有更多的可能。
