本书选择以Chelsea Finn创立的模型无关元学习算法程序为主线，系统研究Meta Learning过程中的联合训练问题、任务构建问题、过程建模问题、输入输出问题和应用拓展问题。本书共5章，前两章采用释义代码分析元学习的基本问题，从第3章开始侧重对原始代码的分析。为确保零基础的读者能快速上手，前3章的代码注解极为详细，同时循序渐进地引导读者完成编程平台搭建与开发环境配置。第4章和第5章重点引导读者形成元学习的编程思维，并进一步定义相关算法的学习过程。本书内容通俗易懂，对人工智能感兴趣但缺少专业指导的读者，开篇即可轻松入门，在较短时间内即可收获进步的喜悦。 本书可作为高等学校本科生和研究生的教材，也可作为Python人工智能技术研究的重要参考资料。通过本书的指引，可快速领悟Meta Learning过程中的建模思路、算法思想、最优化方法和元优化机制，从而打下扎实的人工智能研究基础。

第1章 联合训练问题
1.1 问题描述
1.1.1 以任务为样本
1.1.2 面向学习过程
1.1.3 快速适应新任务
1.2 建模思路
1.2.1 局部最优模型
1.2.2 全局最优模型
1.2.3 模型前置代码
1.3 算法思想
1.3.1 外层循环算法
1.3.2 内层循环算法
1.3.3 权重更新代码
1.4 最优化方法
1.4.1 准备优化工具
1.4.2 搭建优化平台
1.4.3 最优化科学计算包
1.5 元优化机制
1.5.1 环境变量的配置
1.5.2 环境变量的验证
1.5.3 元优化机制
第2章 任务构建问题
2.1 问题描述
2.1.1 小样本单元
2.1.2 有限监督数据
2.1.3 支撑集与查询集
2.2 建模思路
2.2.1 任务分布模型
2.2.2 监督学习模型
2.2.3 模型前置代码
2.3 算法思想
2.3.1 单元划分算法
2.3.2 标签分配算法
2.3.3 任务生成算法
2.4 最优化方法
2.4.1 创建优化环境
2.4.2 更新优化系统
2.4.3 安装编程内核
2.5 元优化机制
2.5.1 代码编辑器
2.5.2 元优化程序
2.5.3 元优化机制
第3章 过程建模问题
3.1 问题描述
3.1.1 基准数据集
3.1.2 图像尺寸调整
3.1.3 知识获取过程
3.2 建模思路
3.2.1 图像加载模型
3.2.2 尺寸调整模型
3.2.3 空间插值模型
3.3 算法思想
3.3.1 文件保存算法
3.3.2 目录创建算法
3.3.3 文件读取算法
3.4 最优化方法
3.4.1 随机抽样过程
3.4.2 样本学习过程
3.4.3 最优化过程
3.5 元优化机制
3.5.1 元优化过程
3.5.2 拓展优化环境
3.5.3 最大池化过程
第4章 输入输出问题
4.1 问题描述
4.1.1 源代码下载
4.1.2 免费授权许可
4.1.3 代码的组成部分
4.2 建模思路
4.2.1 系统架构模型
4.2.2 输入输出模型
4.2.3 输出评价模型
4.3 算法思想
4.3.1 输入生成算法
4.3.2 输出生成算法
4.3.3 运行控制算法
4.4 最优化方法
4.4.1 优化库包的导入
4.4.2 生成器的初始化
4.4.3 目录的生成
4.5 元优化机制
4.5.1 元优化目录
4.5.2 元优化的输入
4.5.3 元优化的输出
第5章 应用拓展问题
5.1 问题描述
5.1.1 前述问题回顾
5.1.2 元学习系统网络
5.1.3 MAML的定义
5.2 建模思路
5.2.1 系统模型拓展
5.2.2 梯度模型拓展
5.2.3 快速梯度下降
5.3 算法思想
5.3.1 输入层的权值
5.3.2 隐含层的权值
5.3.3 网络构造算法
5.3.4 从卷积层拓展
5.3.5 从隐含层拓展
5.4 最优化方法
5.4.1 学习日志的拓展
5.4.2 日志读取应用
5.4.3 优化器的拓展
5.4.4 优化器的应用
5.4.5 显示优化过程
5.5 元优化机制
5.5.1 虚拟环境的拓展
5.5.2 模块代码的调试
5.5.3 元任务的理解
5.5.4 元训练的机制
5.5.5 元测试的机制
后记