知识卡片
元学习跨任务优化适应能力
元学习利用一组训练任务学习可迁移的学习过程或初始化。每个任务用支持集完成任务内适应,再用该任务的查询集评价适应后的表现;外循环汇总训练任务的查询损失,目标是在未见任务上也能快速适应。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
- · 第15章 元学习
原书出处 · 1 处
- 元学习 15.2 元学习的三个步骤 · 查看原书依据
接下来分析元学习中的损失函数应该如何定义. 评价一个学习算法的好坏,要看它在某个任务中使用训练数据学习到的算法的好坏. 比如,任务1是分辨苹果和橙子,把任务1中的训练数据拿出来给这个学习算法,从而学出一个分类.我们用来表示这是任务1的分类,旨在分辨苹果和橙子. 如果这个分类是好的,则代表这个学习算法也是好的;反之,如果这个分类是不好的,则代表这个学习算法也是不好的.对于不好的学习算法(在测试数据上表现不好),我们就给它比较大的损失.
参考来源
- 位置:《深度学习详解》第15章《元学习》15.2 元学习的三个步骤(来源项目 book-source:`extracted/深度学习详解/_epub-src/OEBPS/Text/Chapter15.xhtml`)
- 结论依据:原文及本章 MAML 参考文献说明任务内训练、跨任务评价和快速适应;MAML 目标按适应后损失表述。
- 原始内容:接下来分析元学习中的损失函数应该如何定义. 评价一个学习算法的好坏,要看它在某个任务中使用训练数据学习到的算法的好坏. 比如,任务1是分辨苹果和橙子,把任务1中的训练数据拿出来给这个学习算法,从而学出一个分类.我们用来表示这是任务1的分类,旨在分辨苹果和橙子. 如果这个分类是好的,则代表这个学习算法也是好的;反之,如果这个分类是不好的,则代表这个学习算法也是不好的.对于不好的学习算法(在测试数据上表现不好),我们就给它比较大的损失.