# Model-Agnostic Meta-Learning
## meta learn and machine learning
Machine learning:根據data找一個函數f的能力，利用f來做事，要有train data及test data

Meta learning:根據Data找一個**找一個函數F的**函數f的能力，利用F找出f來做事（learn to learn)，要有train task(每一個train task有各自的train data及test data)及test task(也有train data及test data)
而因爲要跑task(太多資料量)，所以都假設為**few-shot learning**，而在few-shot learning中task的train data稱為*support set*，test data稱為*query set*

#### 評估F的好壞
#### Model pre train
再多data的任務上train，之後再微調到少量data的任務上
## MAML
重點在於找到一個很好的初始參數theta，始知之後可以微調（ex.gradent descent）就可以輕鬆到要適應的任務上（supervised、reinforcement learning）
#### 他與pre-train的差別為
MAML:他要找的初始參數在當下可能不是最好，但在train後可以迅速變得很好的參數（潛力）
Pre-train:他要找的初始參數是對現在當下所有的任務都很好的參數
#### MAML尋找初始參數的方法

1.他有一個task分佈P(T):要做的任務都要先放在這裡才能找到一個很好的初始參數
2.在while迴圈中一直做找model f的事，然後得到一個loss function做gradient descent找出min
3.最後初回圈得到min再更新一次，此極為很好的初始參數
#### MAML在regression
loss function改為

#### MAML在classification
loss function改為

#### MAML在reinforcement learning
loss function改為

### 實驗
#### regression
總共有700000筆sin函數當作p(T)
紅線為目標oracle
淺線為經過各自方法（MAML或Pre-train）所找到的最佳初始參數
深線為經過train後的結果
可以看出MAML屌打
#### classification
利用Omniglot及MiniImagenet這兩個brenchmark去評比
#### reinforcement learning
利用去找紅點target來評比

# 參考：https://www.youtube.com/watch?v=wT45v8sIMDM&t=1375s