Python元学习 通用人工智能的实现 (豆瓣)

第1章 元学习简介　1

1.1 元学习　1

1.2 元学习的类型　2

1.2.1 学习度量空间　2

1.2.2 学习初始化　3

1.2.3 学习优化器　3

1.3 通过梯度下降来学习如何通过梯度下降来学习　3

1.4 少样本学习的优化模型　5

1.5 小结　8

1.6 思考题　8

1.7 延伸阅读　8

第2章 使用孪生网络进行人脸识别与音频识别　9

2.1 什么是孪生网络　9

2.1.1 孪生网络的架构　10

2.1.2 孪生网络的应用　12

2.2 使用孪生网络进行人脸识别　12

2.3 使用孪生网络进行音频识别　20

2.4 小结　24

2.5 思考题　24

2.6 延伸阅读　24

第3章 原型网络及其变体　25

3.1 原型网络　25

3.1.1 算法　31

3.1.2 使用原型网络执行分类　31

3.2 高斯原型网络　37

3.3 半原型网络　41

3.4 小结　42

3.5 思考题　42

3.6 延伸阅读　42

第4章 使用TensorFlow构建关系网络与匹配网络　43

4.1 关系网络　43

4.1.1 单样本学习中的关系网络　43

4.1.2 少样本学习中的关系网络　 46

4.1.3 零样本学习中的关系网络　48

4.1.4 损失函数　49

4.2 使用TensorFlow构建关系网络　49

4.3 匹配网络　51

4.4 匹配网络的架构　55

4.5 TensorFlow中的匹配网络　55

4.6 小结　60

4.7 思考题　60

4.8 延伸阅读　60

第5章 记忆增强神经网络　61

5.1 NTM　61

5.1.1 NTM中的读与写　62

5.1.2 寻址机制　65

5.2 使用NTM复制任务　68

5.3 MANN　77

5.4 小结　80

5.5 思考题　80

5.6 延伸阅读　80

第6章 MAML及其变种　81

6.1 MAML　81

6.1.1 MAML算法　83

6.1.2 监督学习中的MAML　86

6.1.3 强化学习中的MAML　92

6.2 ADML　93

6.2.1 FGSM　94

6.2.2 ADML　94

6.2.3 从头构建ADML　95

6.3 CAML　103

6.4 小结　104

6.5 思考题　105

6.6 延伸阅读　105

第7章 Meta-SGD和Reptile　106

7.1 Meta-SGD　106

7.1.1 监督学习中的Meta-SGD　108

7.1.2 强化学习中的Meta-SGD　114

7.2 Reptile　114

7.2.1 Reptile算法　115

7.2.2 使用Reptile进行正弦曲线回归　116

7.3 小结　121

7.4 思考题　121

7.5 延伸阅读　121

第8章 梯度一致作为优化目标　122

8.1 梯度一致，一种优化方法　122

8.1.1 权重计算　124

8.1.2 算法　124

8.2 使用MAML构建梯度一致　125

8.2.1 生成数据点　126

8.2.2 单层神经网络　126

8.2.3 MAML中的梯度一致　126

8.3 小结　131

8.4 思考题　131

8.5 延伸阅读　131

第9章 新进展与未来方向　132

9.1 TAML　132

9.1.1 熵最大化/熵约简　133

9.1.2 不平等最小化　134

9.2 元模仿学习　136

9.3 CACTUs　137

9.4 概念空间元学习　138

9.4.1 关键部分　140

9.4.2 损失函数　140

9.4.3 算法　141

9.5 小结　142

9.6 思考题　142

9.7 延伸阅读　142

思考题答案　143

· · · · · · (收起)