做淘口令的网站,网络规划设计师待遇怎么样,珠海市官网网站建设平台,东莞大岭山核酸检测点前言
要弄清MAML怎么做#xff0c;为什么这么做#xff0c;就要看懂这两张图。先说MAML**在做什么#xff1f;**它是打着Mate-Learing的旗号干的是few-shot multi-task Learning的事情。具体而言就是想训练一个模型能够使用很少的新样本#xff0c;快速适应新的任务。
定…前言
要弄清MAML怎么做为什么这么做就要看懂这两张图。先说MAML**在做什么**它是打着Mate-Learing的旗号干的是few-shot multi-task Learning的事情。具体而言就是想训练一个模型能够使用很少的新样本快速适应新的任务。
定义问题
我们定义一个模型 f f f, 输入 x x x输出 a a a。 -定义每一个Task - T T T包含一个损失函数 L L L, 一个原始观察 q ( x 1 ) q(x_1) q(x1), 一个状态转移分布 q ( x 1 ∣ x t , a t ) q(x_1 | x_t,a_t) q(x1∣xt,at)以及集长度 H H H。在监督任务中H1(也就是说当前的a只和当前的x有关)。
元学习方法介绍
元学习被称为“Learn to Learn”的方法。元学习希望获取一个网络结构参数满足一定的预设要求。在我们的元学习场景中我们考虑了一个跨任务的分布 p ( T ) p(T) p(T)我们希望我们的模型能够适应这个分布。在 K -shot学习的设置中模型被训练来学习一个新的任务 T i T_i Ti这个任务是从 p ( T ) p(T) p(T) 中抽取的只使用了从 q i q_i qi 抽取的 K 个样本并且由 T i T_i Ti 生成的反馈 L T i L_{T_i} LTi。在元训练期间从 p ( T ) p(T) p(T) 中抽取一个任务 T i T_i Ti模型会用从 T i T_i Ti 中抽取的 K 个样本和相应的损失 L T i L_{T_i} LTi的反馈进行训练然后在来自 T i T_i Ti 的新样本上进行测试。然后通过考虑模型在新数据上的测试误差更新参数来改进模型 f f f。实际上对抽样的任务 T i T_i Ti 进行的测试误差充当了元学习过程的训练错误。在元训练结束时从 p ( T ) p(T) p(T) 中抽取新任务并通过模型从 K 个样本中学习后的表现来衡量元能力。通常在元训练期间保留用于元测试的任务。
A Model-Agnostic Meta-Learning Algorithm 给定一个初始的神经网络结构及参数使用针对同一领域的多个任务集作为样本对每个任务集分配这样一个网络不同的任务集对各自的网络做一次loss计算和梯度更新然后对所有更新之后的神经网络再计算一次loss将这些loss综合考虑起来作为一个新的loss来更新那个最开始的神经网络再将获得到的网络作为新的初始神经网络迭代这个过程。—引用自 这种方法背后的直觉是一些内部表示比其他表示更可转移。The intuition behind this approach is that some internal representations are more transferrable than others. 实际上我们的目标是找到对任务变化最敏感的模型参数这样当改变梯度的方向损失的小改变参数将产生大改进如下图。 我们定义一个模型表示为 f θ f_{\theta} fθ。当适应新的任务 T i T_i Ti时模型参数从 θ \theta θ变为 θ i ′ \theta_i θi′.在我们的方法中我们更新参数使用一个或多个任务T T i T_i Ti梯度向量. 当使用一个梯度进行更新 而元-目标是 -整个算法如下
