1.本书介绍元学习及其原理，讲解各种单样本学习算法，例如孪生网络、原型网络、关系网络和记忆增强网络，并在基于Python的TensorFlow与Keras中实现它们；
2.读者能够从本书中了解先进的元学习算法，如模型无关元学习、Reptile和元学习的上下文适应；
3.本书还探索如何使用元随机梯度下降法来快速学习，以及如何使用元学习来进行无监督学习。

“这本书对算法的解释简洁明晰、通俗易懂，任何想了解元学习的人都应该阅读。”
——英文版读者评论

什么是元学习？为什么需要了解元学习？

近年来深度学习的发展如火如荼，但深度神经网络需要大规模的训练集来训练模型，而且处理新任务时不能采用已有的模型，必须从零开始训练新模型。

元学习能够生成通用的人工智能模型来学习执行各种任务。只需少量数据点，即可训练元学习模型完成各种相关的任务。因此对于新任务，元学习模型可以利用之前从相关任务中获得的知识，无须从零开始训练。

本书介绍元学习及其原理，讲解各种单样本学习算法，并在基于Python的TensorFlow与Keras中实现它们。阅读本书，你将能够：

●理解什么是元学习、元学习的类型及其算法
●使用孪生网络建立人脸识别模型与音频识别模型
●学习原型网络及其变体
●使用TensorFlow构建关系网络与匹配网络
●在Python中从头开始构建MAML和Reptile算法
●掌握从头构建梯度一致算法
●探索任务无关元学习和深度元学习

元学习是当今人工智能研究的热门领域之一，被视为实现通用人工智能的基础。本书介绍元学习及其原理，讲解各种单样本学习算法，例如孪生网络、原型网络、关系网络和记忆增强网络，并在基于Python的TensorFlow与Keras中实现它们。读者能够从本书中了解先进的元学习算法，如模型无关元学习、Reptile和元学习的上下文适应。此外，本书还探索如何使用元随机梯度下降法来快速学习，以及如何使用元学习来进行无监督学习。本书适合机器学习爱好者、人工智能研究人员和数据科学家阅读。

苏达桑·拉维尚迪兰（Sudharsan Ravichandiran）

目前在众包网站Freelancer担任数据科学家。他是积极的开源项目贡献者和畅销书作家，在YouTube网站上发布的授课视频广受好评。重点关注深度学习和强化学习的实际应用，尤其是自然语言处理和计算机视觉领域的相关研究。

【译者简介】

葛言

本科毕业于华中科技大学经济学院国际商务专业（英语双学位），保送上海财经大学交叉科学研究院管理科学与工程直博，目前从事运筹学相关研究与Python开发工作。译有《精通Python设计模式（第2版）》等书。

第 1章 元学习简介　1
1．1 元学习　1
1．2 元学习的类型　2
1．2．1 学习度量空间　2
1．2．2 学习初始化　3
1．2．3 学习优化器　3
1．3 通过梯度下降来学习如何通过梯度下降来学习　3
1．4 少样本学习的优化模型　5
1．5 小结　8
1．6 思考题　8
1．7 延伸阅读　8
第 2章 使用孪生网络进行人脸识别与音频识别　9
2．1 什么是孪生网络　9
2．1．1 孪生网络的架构　10
2．1．2 孪生网络的应用　12
2．2 使用孪生网络进行人脸识别　12
2．3 使用孪生网络进行音频识别　20
2．4 小结　24
2．5 思考题　24
2．6 延伸阅读　24
第3章 原型网络及其变体　25
3．1 原型网络　25
3．1．1 算法　31
3．1．2 使用原型网络执行分类　31
3．2 高斯原型网络　37
3．3 半原型网络　41
3．4 小结　42
3．5 思考题　42
3．6 延伸阅读　42
第4章 使用TensorFlow构建关系网络与匹配网络　43
4．1 关系网络　43
4．1．1 单样本学习中的关系网络　43
4．1．2 少样本学习中的关系网络　 46
4．1．3 零样本学习中的关系网络　48
4．1．4 损失函数　49
4．2 使用TensorFlow构建关系网络　49
4．3 匹配网络　51
4．4 匹配网络的架构　55
4．5 TensorFlow中的匹配网络　55
4．6 小结　60
4．7 思考题　60
4．8 延伸阅读　60
第5章 记忆增强神经网络　61
5．1 NTM　61
5．1．1 NTM中的读与写　62
5．1．2 寻址机制　65
5．2 使用NTM复制任务　68
5．3 MANN　77
5．4 小结　80
5．5 思考题　80
5．6 延伸阅读　80
第6章 MAML及其变种　81
6．1 MAML　81
6．1．1 MAML算法　83
6．1．2 监督学习中的MAML　86
6．1．3 强化学习中的MAML　92
6．2 ADML　93
6．2．1 FGSM　94
6．2．2 ADML　94
6．2．3 从头构建ADML　95
6．3 CAML　103
6．4 小结　104
6．5 思考题　105
6．6 延伸阅读　105
第7章 Meta-SGD和Reptile　106
7．1 Meta-SGD　106
7．1．1 监督学习中的Meta-SGD　108
7．1．2 强化学习中的Meta-SGD　114
7．2 Reptile　114
7．2．1 Reptile算法　115
7．2．2 使用Reptile进行正弦曲线回归　116
7．3 小结　121
7．4 思考题　121
7．5 延伸阅读　121
第8章 梯度一致作为优化目标　122
8．1 梯度一致，一种优化方法　122
8．1．1 权重计算　124
8．1．2 算法　124
8．2 使用MAML构建梯度一致　125
8．2．1 生成数据点　126
8．2．2 单层神经网络　126
8．2．3 MAML中的梯度一致　126
8．3 小结　131
8．4 思考题　131
8．5 延伸阅读　131
第9章 新进展与未来方向　132
9．1 TAML　132
9．1．1 熵最大化/熵约简　133
9．1．2 不平等最小化　134
9．2 元模仿学习　136
9．3 CACTUs　137
9．4 概念空间元学习　138
9．4．1 关键部分　140
9．4．2 损失函数　140
9．4．3 算法　141
9．5 小结　142
9．6 思考题　142
9．7 延伸阅读　142
思考题答案　143