mate learning = learn to learn
如下图所示，mate learning就是 输入训练资料到 F，输出的是一个可以用来识别图像的 f*。
F（training data） = f （一个神经网络）
而与其他的机器学习模型不同的是，机器学习是训练出来一个模型F，用F来去识别图像。
f（图片 猫）= “cat”
如下图所示，machine learning 的过程是这样的，红色标注的部分都是人为设定的，对于不同的初始化 theta 就会获得不同是训练模型。
思考，如何让初始化参数自己学习出来，而不需要人为的设定？
如何评价F 的好坏，每次从训练集中选取一部分数据用做训练 并对学习出来的f1 做测试 测试结果为l1 这为一个task，然后有很多这样的task
把所有的li 求和 就是对 F 的评价结果，L(F) = Σ（l） 结果小就表示F 效果好，反之。
下图是 对训练数据的划分方式，整体的数据集叫做training set 而每一个task中的数据集叫做 support set 和query set
损失函数
实现mate learning 的两种方法
MAML 过程
maml 如何求出Φ使用梯度下降；对比预训练和maml之间的区别 可以看出maml是 对每一个task中训练好的模型中的θ求和（绿色符合） 然后求求出F 模型的Φ（蓝色）
而pre_training 是 当前模型的在当前test集合上的Φ 求得。
举例说明这两者的区别，我们不在意Φ在task上是否表现的很好，我们在意的是Φ是否可以训练出好的θ，如下图所示。
而对于pre-training ，Φ可能在l2上表现的很好，但是放到l1上，它有可能陷入局部最优。
所以总结是：
maml ——> Φ 是看训练后可能达到最好的潜力
pre_train ——> Φ 关注它在当前模型上表现最好
maml 在训练的时候只需要update一次
pre-train 和 maml 比较
数学推导公式
可视化对比两者
pre-train maml reptile 三者比较
maml 的问题
一开始依然需要初始化 初始化 参数的参数
完！