【元学习meta-learning】通俗易懂讲解元学习以及与监督学习的区别

ゝ一世哀愁。 2022-10-22 05:24 257阅读 0赞

### 目录 ###

*  1 引言
 *  2 提出问题
 *  3 Few-shot learning小样本学习
 *  4 Meta-learning元学习
 *  5 如何通过机器学习学习出区分不同事物的能力？
 *  6 传统监督学习与小样本学习的区别
 *  7 Meta-learning中相关概念

# 1 引言 #

人工智能技术有机器学习、深度学习、强化学习、元学习。元学习是其实是深度学习上的一个发展，为了解决小样本问题的，注意这是有区别机器学习和深度学习中的有监督学习的。  
接下来举例来讲解Meta-learning是什么？怎么做？以及和机器学习或深度学习中的监督学习的区别

# 2 提出问题 #

请问：假设你有见过右边图片的动物是什么，现在给出左边四张图片，你能右边图片是什么动物吗？  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center]

毫无疑问，答案是穿山甲。因为我们都知道左边图片给出了穿山甲的图片以及名字。这就一个小样本学习的例子。仔细思考在这个过程中，我们自己的大脑做的工作是对比图片，找出最类似的图片，就是哪种动物。那如果用计算机去做这件事，就叫meta-learning。但是如果用机器学习的有监督学习的神经网络去做，那就需要大量的图片去训练，模型才能识别出图片中动物是什么。但这只有四张图片，是不可能训练处一个神经网络的。这就是与监督学习的一个最大的区别。

# 3 Few-shot learning小样本学习 #

在介绍Meta-learning之前，从简单例子入手。Few-shot learning意思是小样本学习，是Meta-learning中的一种。其中提供参考的图片集合叫Support Set。是在做预测的时候提供的额外信息。  
小样本学习的目标不是让机器学习去识别数据集里的图片，而是让机器学习去学会区分事物之间的异同。简单来说，就是让机器学习出来的模型判断两张图片是不是同一种东西。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center 1]

# 4 Meta-learning元学习 #

Meta-learning元学习(learn to learn)，是指通过训练集去训练出一个有学习能力的函数或模型。举个例子，比如下朋友从来没有见过这种动物，但是他是有学习能力的，是有区分动物的能力，能够判断不同事物之间的异同。当给他一堆卡片，他就能识别出，当前的动物是对应图片里的哪种动物。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center 2]

其中这一堆卡片就是Support set，教小朋友区分不同的动物，就是learn to learn,即Meta-learning。教小朋友学习的过程就是模型训练的过程。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center 3]

# 5 如何通过机器学习学习出区分不同事物的能力？ #

就是如何教小男孩去学会去区分不同的动物？答：让机器学习学习出一个相似度函数。  
如果给出以下三张图片作为数据集，那机器学习去做的事情就是去学习出一个相似度函数Sim,在以下图片中表示Sim(x1,X2)=1,Sim(x1,X3)=0,Sim(x2,X3)=0.那训练集就是\{(Sim(x1,X2),1),(Sim(x1,X3),0),(SIm(X2,X3),0)\}  
![在这里插入图片描述][2021040414051775.png_pic_center]

在测试的时候，提供一个support set ,用上面机器学习学习到的相似度函数，分别计算图片与Support Set中每一张图片的相似度，以相似度最高的做出类别的输出。这就是整个Meta-learning的过程。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center 4]

# 6 传统监督学习与小样本学习的区别 #

（1）在传统的监督学习中  
为了识别右边的图片是什么，训练集中必须要有同类别成百上千张的图片数据。才能准确识别。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center 5]

（2）在小样本学习中  
如下所示，在训练集中是没有兔子类别的。这个数据集只是用来学习区分辨别能力的。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center 6]

然后在预测的时候，用这个能力去Support set中去找出类似的图片，作为分类的结果  
![在这里插入图片描述][20210404140558792.png_pic_center]

# 7 Meta-learning中相关概念 #

（1）在Support set中有两个变量  
• k:k表示Support Set的总共类别  
• n：表示每个类别的样本数  
比如以下是有4个类别，每个类别有两个样本，称为4-way,2-shot  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center 7]

在分类任务中，准确率会受k,n两个变量影响，随着K的增大，准确率下降，因为，区分难度变大了。类似于给小男孩100张卡片，让他找出动物园看的某个动物，宝宝就不会做了或者出错概率大了。  
随着n的增大，准确率上升，因为参考的资料更过了。

参考资料  
• [Meta Learning（元学习）-Bilibili][Meta Learning_-Bilibili]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center]: /images/20221022/0348f11311d9444c9f6d617c536dd30f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center 1]: /images/20221022/4ff928bb71bc4e18afd869b0d4daf856.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center 2]: /images/20221022/c29fa7d14cb04ff393a77afc0682238c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center 3]: /images/20221022/b5a923a6d6d34153bbf5f4c0e159b25b.png
[2021040414051775.png_pic_center]: /images/20221022/19b4280ea4dc4bc28091dc8174dbc47d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center 4]: /images/20221022/68e205a79032429d91d66f04fc946953.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center 5]: /images/20221022/25a414f0c3154f96a8c0b60d855e7762.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center 6]: /images/20221022/815eb07981e24974be0d249b467fd5df.png
[20210404140558792.png_pic_center]: /images/20221022/a1c31f36a55241afba5ddae5092d40b6.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center 7]: /images/20221022/58de406956d543aeacca01bf1b2f9fab.png
[Meta Learning_-Bilibili]: https://www.bilibili.com/s/video/BV1aT4y1u7e6