Meta-learning（元学习）和 3D-CNN 总结

Meta-learning and 3D-CNN 总结

##Meta-learning

**Meta-learning（元学习）**方法是近期的研究热点，加州伯克利大学在这方面做了大量工作。这周阅读了相关论文，总结一下自己的知识。
论文题目：
1.Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks ；
2.One-Shot Visual Imitation Learning via Meta-Learning。

Model-Agnostic Meta-learning 算法提出的初衷是因为目前深度学习所需要的样本量大，而且学习速度慢，在某一个特定的任务训练好参数以后，面对一个新的任务，即使这个任务跟之前的任务具有相关性，但它的鲁棒性也不好，需要重新训练。特别是在应用到机器人模仿学习时（目前自己的研究方向），需要在不同的场景下执行新的任务，但这些任务很多是具有相关性的。所以伯克利分校提出了这样一种算法：通过少量的任务集样本去训练好网络，然后在面对一个新的任务时，能够很快的训练好参数，完成学习过程。这个过程就像人类面对新的任务时，也是由之前的经验来应对新的场景，具有先验知识。

算法核心思想，如下图所示：

算法个人理解：
1.这是属于监督学习的范围，通过梯度下降来更新参数θ；任务集Ti, fθ表示输入x到输出a的映射