Meta Learning学习者手记

　　Meta Learning得到的算法能依据自己表现的反馈信号及时地调整其结构和参数空间， 进而在新环境中通过累计经验提升表现性能，是走向机器自主学习和迈向强人工智能的关键一步。 本书适用于所有对人工智能感兴趣的读者。作者面向meta learning甚至是机器学习的初学者，从学习者的视角，通俗易懂地描述meta learning的基本概念、原理和理论体系， 并在此过程中同步展开一些有意义的实践，逐步引导读者获得学习的快乐和成就！

　　王文峰，上海应用技术大学电气学院高级工程师，中国大数据与智能计算产业联盟理事。长期以来主要从事类脑学习与认知计算研究，侧重于数学跨学科应用，目前已涉及计算机视觉、机器人、安防、生态、地理、医学等领域。兼任国家自然科学基金评审专家（面上项目类）、第三脑研究院（美国）资深客座研究员、Springer/IEEE 旗下多个国际会议委员和分会场主席、多个SCI期刊（含部分TOP期刊）审稿专家。出版中英文图书3本，Brain-inspired intelligence and visual perception获国家出版基金资助。

第1章联合训练问题
1.1问题描述
1.1.1以任务为样本
1.1.2面向学习过程
1.1.3快速适应新任务
1.2建模思路
1.2.1局部最优模型
1.2.2全局最优模型
1.2.3模型前置代码
1.3算法思想
1.3.1外层循环算法
1.3.2内层循环算法
1.3.3权重更新代码
1.4最优化方法
1.4.1准备优化工具
1.4.2搭建优化平台
1.4.3最优化科学计算包
1.5元优化机制
1.5.1环境变量的配置
1.5.2环境变量的验证
1.5.3元优化机制
第2章任务构建问题
2.1问题描述
2.1.1小样本单元
2.1.2有限监督数据
2.1.3支撑集与查询集
2.2建模思路
2.2.1任务分布模型
2.2.2监督学习模型
2.2.3模型前置代码
2.3算法思想
2.3.1单元划分算法
2.3.2标签分配算法
2.3.3任务生成算法
2.4最优化方法
2.4.1创建优化环境
2.4.2更新优化系统
2.4.3安装编程内核
2.5元优化机制
2.5.1代码编辑器
2.5.2元优化程序
2.5.3元优化机制
第3章过程建模问题
3.1问题描述
3.1.1基准数据集
3.1.2图像尺寸调整
3.1.3知识获取过程
3.2建模思路
3.2.1图像加载模型
3.2.2尺寸调整模型
3.2.3空间插值模型
3.3算法思想
3.3.1文件保存算法
3.3.2目录创建算法
3.3.3文件读取算法
3.4最优化方法
3.4.1随机抽样过程
3.4.2样本学习过程
3.4.3最优化过程
3.5元优化机制
3.5.1元优化过程
3.5.2拓展优化环境
3.5.3最大池化过程
第4章输入输出问题
4.1问题描述
4.1.1源代码下载
4.1.2免费授权许可
4.1.3代码的组成部分
4.2建模思路
4.2.1系统架构模型
4.2.2输入输出模型
4.2.3输出评价模型
4.3算法思想
4.3.1输入生成算法
4.3.2输出生成算法
4.3.3运行控制算法
4.4最优化方法
4.4.1优化库包的导入
4.4.2生成器的初始化
4.4.3目录的生成
4.5元优化机制
4.5.1元优化目录
4.5.2元优化的输入
4.5.3元优化的输出
第5章应用拓展问题
5.1问题描述
5.1.1前述问题回顾
5.1.2元学习系统网络
5.1.3MAML的定义
5.2建模思路
5.2.1系统模型拓展
5.2.2梯度模型拓展
5.2.3快速梯度下降
5.3算法思想
5.3.1输入层的权值
5.3.2隐含层的权值
5.3.3网络构造算法
5.3.4从卷积层拓展
5.3.5从隐含层拓展
5.4最优化方法
5.4.1学习日志的拓展
5.4.2日志读取应用
5.4.3优化器的拓展
5.4.4优化器的应用
5.4.5显示优化过程
5.5元优化机制
5.5.1虚拟环境的拓展
5.5.2模块代码的调试
5.5.3元任务的理解
5.5.4元训练的机制
5.5.5元测试的机制
后记