第1章 元學(xué)習(xí)簡介　1

1.1 元學(xué)習(xí)　1

1.2 元學(xué)習(xí)的類型　2

1.2.1 學(xué)習(xí)度量空間　2

1.2.2 學(xué)習(xí)初始化　3

1.2.3 學(xué)習(xí)優(yōu)化器　3

1.3 通過梯度下降來學(xué)習(xí)如何通過梯度下降來學(xué)習(xí)　3

1.4 少樣本學(xué)習(xí)的優(yōu)化模型　5

1.5 小結(jié)　8

1.6 思考題　8

1.7 延伸閱讀　8

第2章 使用孿生網(wǎng)絡(luò)進行人臉識別與音頻識別　9

2.1 什么是孿生網(wǎng)絡(luò)　9

2.1.1 孿生網(wǎng)絡(luò)的架構(gòu)　10

2.1.2 孿生網(wǎng)絡(luò)的應(yīng)用　12

2.2 使用孿生網(wǎng)絡(luò)進行人臉識別　12

2.3 使用孿生網(wǎng)絡(luò)進行音頻識別　20

2.4 小結(jié)　24

2.5 思考題　24

2.6 延伸閱讀　24

第3章 原型網(wǎng)絡(luò)及其變體　25

3.1 原型網(wǎng)絡(luò)　25

3.1.1 算法　31

3.1.2 使用原型網(wǎng)絡(luò)執(zhí)行分類　31

3.2 高斯原型網(wǎng)絡(luò)　37

3.3 半原型網(wǎng)絡(luò)　41

3.4 小結(jié)　42

3.5 思考題　42

3.6 延伸閱讀　42

第4章 使用TensorFlow構(gòu)建關(guān)系網(wǎng)絡(luò)與匹配網(wǎng)絡(luò)　43

4.1 關(guān)系網(wǎng)絡(luò)　43

4.1.1 單樣本學(xué)習(xí)中的關(guān)系網(wǎng)絡(luò)　43

4.1.2 少樣本學(xué)習(xí)中的關(guān)系網(wǎng)絡(luò)　 46

4.1.3 零樣本學(xué)習(xí)中的關(guān)系網(wǎng)絡(luò)　48

4.1.4 損失函數(shù)　49

4.2 使用TensorFlow構(gòu)建關(guān)系網(wǎng)絡(luò)　49

4.3 匹配網(wǎng)絡(luò)　51

4.4 匹配網(wǎng)絡(luò)的架構(gòu)　55

4.5 TensorFlow中的匹配網(wǎng)絡(luò)　55

4.6 小結(jié)　60

4.7 思考題　60

4.8 延伸閱讀　60

第5章 記憶增強神經(jīng)網(wǎng)絡(luò)　61

5.1 NTM　61

5.1.1 NTM中的讀與寫　62

5.1.2 尋址機制　65

5.2 使用NTM復(fù)制任務(wù)　68

5.3 MANN　77

5.4 小結(jié)　80

5.5 思考題　80

5.6 延伸閱讀　80

第6章 MAML及其變種　81

6.1 MAML　81

6.1.1 MAML算法　83

6.1.2 監(jiān)督學(xué)習(xí)中的MAML　86

6.1.3 強化學(xué)習(xí)中的MAML　92

6.2 ADML　93

6.2.1 FGSM　94

6.2.2 ADML　94

6.2.3 從頭構(gòu)建ADML　95

6.3 CAML　103

6.4 小結(jié)　104

6.5 思考題　105

6.6 延伸閱讀　105

第7章 Meta-SGD和Reptile　106

7.1 Meta-SGD　106

7.1.1 監(jiān)督學(xué)習(xí)中的Meta-SGD　108

7.1.2 強化學(xué)習(xí)中的Meta-SGD　114

7.2 Reptile　114

7.2.1 Reptile算法　115

7.2.2 使用Reptile進行正弦曲線回歸　116

7.3 小結(jié)　121

7.4 思考題　121

7.5 延伸閱讀　121

第8章 梯度一致作為優(yōu)化目標(biāo)　122

8.1 梯度一致，一種優(yōu)化方法　122

8.1.1 權(quán)重計算　124

8.1.2 算法　124

8.2 使用MAML構(gòu)建梯度一致　125

8.2.1 生成數(shù)據(jù)點　126

8.2.2 單層神經(jīng)網(wǎng)絡(luò)　126

8.2.3 MAML中的梯度一致　126

8.3 小結(jié)　131

8.4 思考題　131

8.5 延伸閱讀　131

第9章 新進展與未來方向　132

9.1 TAML　132

9.1.1 熵最大化/熵約簡　133

9.1.2 不平等最小化　134

9.2 元模仿學(xué)習(xí)　136

9.3 CACTUs　137

9.4 概念空間元學(xué)習(xí)　138

9.4.1 關(guān)鍵部分　140

9.4.2 損失函數(shù)　140

9.4.3 算法　141

9.5 小結(jié)　142

9.6 思考題　142

9.7 延伸閱讀　142

思考題答案　143

· · · · · · (收起)