關於元學習，網上的很多教程不太說人話，大多是根據李宏毅教授的課進行的一個拓展，並沒有去詳細的講解一些步驟性的問題；
關於原理或者說概要比較好的博客：
https://zhuanlan.zhihu.com/p/108503451
https://zhuanlan.zhihu.com/p/55643191
上面兩篇可以說是大致很好的講解了元學習的基本概念，自己本篇進行一個大致的整理；
Meta-Learning:
元學習的大致思想：尋求一種方法使得可以從過去的任務中學習到如何去學習。
從本質的上來說，和傳統機器學習相比較：
傳統機器學習：DL包括在內，都是尋求一個boundary來進行定界操作，主要關心得到一個輸入和標簽的映射網絡；
元學習：執着於網絡參數的確定，使得每一次訓練后，都可以讓模型自己去嘗試制定參數，而不是人為去設定參數；
所以，某種程度上訓練過程可能類似，但是側重思想是不一樣的；
如上所示，可以基本的看出元學習的目的並不是生成預測值，而是通過feed數據集，來世的learning algorithm收斂，得到一個新的函數，為下一個任務做准備，所以，本質就是通過一個任務生成一個特定的網絡，由訓練過程自發的使網絡來達到最佳，其實和傳統學習還是有點像的；
但是比較不同的一點是，生成的網絡可以在不同的task有不同的結果，而后續的MAML則是固定一類模型，算是meta-learning中的特殊情況；
所以元學習的基本步驟有以下幾步：
1.進行一群F函數的選擇，對於同樣的一系列task來進行訓練；
2.根據一定的方法評價task的好壞；
3.最后選擇最好的F；
對於上述，完整的流程可以如下所示：
所以，對於不同的F，尋找出生成f效率最好的函數，總體通過loss funcion l來進行評估；
MAML是Meta-learning中的一種，但是其核心思想是初始化參數的設定；
即通過task的學習，得到一個使得每個task都最優的初始參數；
對於各個網絡中的參數，直接利用初始參數進行更新；
而對於目標函數，我們要求L函數有最小值，所以可以直接借此更新初始化參數，從而達到尋找最優初始化參數的目的；
其中需要注意的是以下幾點：
1.局部網絡和整體初始參數更新的速率不同；
2.局部網絡中往往是一次訓練，但是也可以根據數據量進行更改，使得收斂更好；