Meta Learning ＆ Few-shot Learning(元学习VS小样本学习)
一、Meta Learning：元学习，learn to learn

　　让机器学会如何学习，即让机器学习自己调整模型中的超参数。

　　在传统机器学习中，输入的是样本，损失函数是在训练集数据上得到的。主要工作是让训练集上的损失函数越来越小，从而提高在测试集上的识别率。

 图1：元学习模型

　　在元学习中，输入的是Training task（任务），得到的是选参数方法F，然后用这种方法应用到Testing-Task上，得到损失函数的方法如下：用F应用到Testing-Task中的训练集上，得到模型model，然后将这种模型应用到Testing-Task中的测试上，用测试集的偏差来描述损失函数。

二、Few-shot Learning：小样本学习

　　小样本学习与元学习的原始目的并不相同，小样本学习的目的是使用少数训练资料得到理想的结果，但这种算法往往不是人能够直接构造的，因此经常使用元学习的方法得到这种算法。

 

简单来说，元学习的目的是让机器人得到理想算法的算法，并不局限于小样本的场景；而小样本学习的目的是得到理想的算法，应用于原始数据不足的场景。