论文摘要：元学习仅需少量学习就可以获取先前的先前任务和经验，从而可以从少量数据中学习新任务。但是，短镜头学习中的一个关键挑战是任务模糊性：即使可以从大量先前任务中元学习强大的先验知识，但用于新任务的小数据集也可能太含糊而无法获取单个模型（例如，针对该任务的分类器）。在本文中，我们提出了一种概率元学习算法，该算法可以从模型分布中为新任务采样模型。我们的方法扩展了模型不可知的元学习，它通过梯度下降适应新任务，并结合了通过变分下界训练的参数分布。在元测试时，我们的算法通过将噪声注入梯度下降的简单过程进行自适应，在元训练时，对模型进行训练，以使这种随机自适应过程从近似模型后验中生成样本。我们的实验结果表明，我们的方法可以在模糊的几次镜头学习问题中对合理的分类器和回归器进行采样。

马姆 仅使用Numpy和简单的1层网络的Python实现MAML（模型不可知元学习）。 只是为了更好地了解MAML。 要求 Python 3.x 脾气暴躁的 Matplotlib 记录中 所有这些都包含在Anaconda中。 用法 只需运行maml.py 。 这实现了二进制分类问题。 但是，我注意到MAML的结果并不令人鼓舞。 更好的更深层次的模型将是有益的。 参考 Finn C，Abbeel P，Levine S.快速适应深度网络的模型不可知元学习[C] //第34届机器学习国际会议论文集70. JMLR。 组织，2017年：1126-1135。

PyTorch中的MAML和爬行动物 PyTorch中“用于快速适应深度网络的与模型无关的元学习”的代码。 我重新调制了@AdrienLE IPython Notebook，使其从main.py运行，请查阅参考资料以更好地解释算法。 免责声明 我只是为了学习目的而使用它 参考

动手使用Python进行元学习：使用Tensorflow使用一键式学习，MAML，爬行动物，Meta-SGD等进行学习学习

由于模型固有的不确定性，学习从少量数据集推断贝叶斯后验是实现稳健元学习的重要一步。在本文中，我们提出了一种新的贝叶斯模型不可知的元学习方法。该方法结合了有效的基于梯度的元学习和非参数变分推理。与以往的方法不同的是，在快速适应过程中，该方法能够学习复杂的不确定性结构，而不是简单的高斯近似;在元更新过程中，采用了新的贝叶斯机制，防止了元级过拟合。它仍然是一种基于梯度的方法，也是第一个适用于包括强化学习在内的各种任务的不依赖贝叶斯模型的元学习方法。实验结果表明，该方法在正弦回归、图像分类、主动学习和强化学习等方面具有较好的准确性和鲁棒性。

MAML-Pythorch 你可以在我的库中的数据集omn​​iglot： 这些是我最好的回购表现： 杂种 5次1发 MAML：$ 98.7 \ pm 0.4％$ 我们的：$ 97.5％$ 20路1杆 MAML：$ 95.8 \ pm 0.3％$ 我们的：$ 84.8％$ 20路5拍 MAML：$ 98.9 \ pm 0.2％$ 我们的：$ 94.4％$ miniImageNet 5次1发 MAML：$ 48.70 \ pm 1.84％$ 我们的：$ 49.15％$ 5路5射 MAML：$ 63.11 \ pm 0.92％$ 我们的：$ 62.26％$

这个文件里时我复现的MAML，也就是模型无关的元学习方法的实验代码的复现，有需要的朋友可以下载下来参考一下。

小米主题MAML 整理教程，对官方MAML进行简单归纳与总结，对初学者学习制作小米主题提供基本规范与掌握基础很有帮助

基于xml 对小米锁屏语法进行了整理 适用于锁屏初学者 无论你是否有编程基础 小白也可以根据指导 由浅入深的进行学习 愿此份资料可以成为你的一把钥匙 打开主题最为精彩瞩目的锁屏世界