目录
[1.meta learning](#1.meta learning)
摘要
本篇文章继续学习李宏毅老师2025春季机器学习课程，学习内容是meta learning的基本概念和基本的训练过程
1.meta learning
meta learning就是学习如何学习，首先复习一下machine learning，machine learning就是要找一个function，例如影像辨识，输入一张图片，输出是"猫"。一共三个步骤，第一是定义一个function，function有一些位置的参数。
第二部是要定义一个loss function，它代表function的好坏。
第三步，就是要找参数，这些参数使得loss function的值越小越好，常用gradient descent。
学习这件事，本身也是一个function，称为learning algorithm，假设训练的是一个classifier，把训练资料作为输入，输入函数F，输出一个classifier。 那么如何用与机器学习相同三个步骤去找这个函数F，就是meta learning。
第一个步骤，在learning algorithm找到需要学习的东西（参数），称为，这些参数就是我们希望机器自己决定的东西。
第二步，就是要定义loss function，记作，L一般来自于训练资料，在meta learning中收集的是训练的任务，假设想要训练一个二元分类器，就要准备很多二元分类的任务。
有了任务之后，判断F好不好的依据是，把任务拿出来给F学习看看得到classifier f1，如果f1是好的就代表F是好的，L就低。
如何判断f1好不好？就把f1跑在测试资料上，将结果与正确答案比较得到l1，l1代表f1的表现如何。l1的计算方法与机器学习很像，输入测试资料到f1，得到输出，计算输出与正确答案的corss entropy，把corss entropy都加起来即为l1。l越小代表f越好，就意味着F越好。
meta learning有很多的任务，所以不会只看一个任务，假设第二个二元分类器以同样的方式计算为l2，那么L就是l1+l2，即为所有任务的l的总和。
第三步，找一个让L越小越好。如果
是可以计算的，那么可以直接使用gradient descent的方法去寻找
；如果
是不可计算的，就用reinforce learning训练下去就能找到
。
整个meta learning的架构如下图，通过训练资料的任务得出了一个F，用测试资料的任务测试F是否能得出一个想要的classifier。
