meta learning（李宏毅

meta  元

meta learning： learn to learn 学习如何学习

大部分的时候deep learning就是在调hyperparameter、调hyperparameter真的很烦，决定什么network的架构啊、决定learning rate啊等等、

实际上没有什么好方法来调这些hyperparameter、今天业界最常拿来解决调hyperparameter的方法呢就是买很多张gpu了、

他们训练model的时候就像是这个翻车鱼一样、一次训练多个model、有的train不起来就丢掉、最后只看那些可以串起来的model、他会得到什么样的performance

所以在业界，做实验时 往往就是一次开个1000张gpu、1000张gpu跑1000组不同的hyperparameter、看看哪一组hyperparameter可以给你最好的结果好

其实说1000都是低估了。那些大公司在采买gpu的时候、单位都是用万来算的、这次要买3万张gpu这种等级啊

所以业界今天在deep learning上的规模  真的是跟学界是不太一样啊

但是学界  没有这个多gpu。。在学校每个人只有一张gpu、凭着你的经验跟直觉定义一组好的hyperparameter、祈祷可以得到好的结果

hyperparameter能不能用学的？这就是meta learning其中一个可以帮助我们的事情

讲解meta learning之前，先回顾一下machine learning的三个步骤：

1. 定义一个未知的function，用 fθ 表示，θ是未知的参数，需要学出来。

2. 定义一个Loss function。L(θ)

3. 优化Loss function。找一个参数θ*，让Loss越小越好。

接下来介绍Meta Learning。什么是Meta Learning呢？

其实“学习”这件事 本身也是一个func.

一个machine learning的algorithm、简化来看，其实它就是一个function（F）

输入：data set；输出：训练完的结果，e.g. classifier

Meta Learning也分为3个步骤：

1. 确定learning algorithm中要被学的东西。

像机器学习里，我们说neuron的weight和bias是要被学出来的

在这里 那就看你什么东西想要让机器自己帮你决定、那那些就是要被学出来的东西

比如network结构、初始化参数、学习率等等。需要学习的部分统称为 ϕ 。

那其实不同的mata learning的方法、它就是想办法去学不同的learning algorithm中的component

2. 为learning algorithm定义loss function L(ϕ) ，

如何决定L？在一般的机器学习中，L 来自于训练资料

Meta Learning里训练资料是什么？Meta Learning里 我们收集的是训练的任务

假设你今天想要训练一个binary classifier，那你要准备很多二元分类的任务. 比如task1分别苹果和橘子 task2分别车和脚踏车

L包括训练任务，训练集以及测试集。

首先给network训练集，根据learning algorithm确定network，训练一个模型。如果这个模型效果是好的，那么说明learning algorithm是有效果的。

当然上述只是用在了一个任务上测试learning algorithm的效果，实际上应该还会给出好多个任务，每个任务虽然learning algorithm一样，但丢进去的资料不一样，产生的classifer也不一样。每个任务都重复上述步骤，并将最后的loss全加在一起让total loss最小。 

这里可能有人会有疑问，上述方法在训练过程中用到了testing dataset，这在训练中应该是不被允许的啊。但是meta learning其实是以任务为单位的，是用已知的有限个任务（训练集和测试集都可以当做已知）训练得到learning algorithm，然后用于其它未知的任务。