Python元學習：通用人工智能的實現(xiàn)

第 1章 元學習簡介　1
1．1 元學習　1
1．2 元學習的類型　2
1．2．1 學習度量空間　2
1．2．2 學習初始化　3
1．2．3 學習優(yōu)化器　3
1．3 通過梯度下降來學習如何通過梯度下降來學習　3
1．4 少樣本學習的優(yōu)化模型　5
1．5 小結　8
1．6 思考題　8
1．7 延伸閱讀　8
第 2章 使用孿生網(wǎng)絡進行人臉識別與音頻識別　9
2．1 什么是孿生網(wǎng)絡　9
2．1．1 孿生網(wǎng)絡的架構　10
2．1．2 孿生網(wǎng)絡的應用　12
2．2 使用孿生網(wǎng)絡進行人臉識別　12
2．3 使用孿生網(wǎng)絡進行音頻識別　20
2．4 小結　24
2．5 思考題　24
2．6 延伸閱讀　24
第3章 原型網(wǎng)絡及其變體　25
3．1 原型網(wǎng)絡　25
3．1．1 算法　31
3．1．2 使用原型網(wǎng)絡執(zhí)行分類　31
3．2 高斯原型網(wǎng)絡　37
3．3 半原型網(wǎng)絡　41
3．4 小結　42
3．5 思考題　42
3．6 延伸閱讀　42
第4章 使用TensorFlow構建關系網(wǎng)絡與匹配網(wǎng)絡　43
4．1 關系網(wǎng)絡　43
4．1．1 單樣本學習中的關系網(wǎng)絡　43
4．1．2 少樣本學習中的關系網(wǎng)絡　 46
4．1．3 零樣本學習中的關系網(wǎng)絡　48
4．1．4 損失函數(shù)　49
4．2 使用TensorFlow構建關系網(wǎng)絡　49
4．3 匹配網(wǎng)絡　51
4．4 匹配網(wǎng)絡的架構　55
4．5 TensorFlow中的匹配網(wǎng)絡　55
4．6 小結　60
4．7 思考題　60
4．8 延伸閱讀　60
第5章 記憶增強神經(jīng)網(wǎng)絡　61
5．1 NTM　61
5．1．1 NTM中的讀與寫　62
5．1．2 尋址機制　65
5．2 使用NTM復制任務　68
5．3 MANN　77
5．4 小結　80
5．5 思考題　80
5．6 延伸閱讀　80
第6章 MAML及其變種　81
6．1 MAML　81
6．1．1 MAML算法　83
6．1．2 監(jiān)督學習中的MAML　86
6．1．3 強化學習中的MAML　92
6．2 ADML　93
6．2．1 FGSM　94
6．2．2 ADML　94
6．2．3 從頭構建ADML　95
6．3 CAML　103
6．4 小結　104
6．5 思考題　105
6．6 延伸閱讀　105
第7章 Meta-SGD和Reptile　106
7．1 Meta-SGD　106
7．1．1 監(jiān)督學習中的Meta-SGD　108
7．1．2 強化學習中的Meta-SGD　114
7．2 Reptile　114
7．2．1 Reptile算法　115
7．2．2 使用Reptile進行正弦曲線回歸　116
7．3 小結　121
7．4 思考題　121
7．5 延伸閱讀　121
第8章 梯度一致作為優(yōu)化目標　122
8．1 梯度一致，一種優(yōu)化方法　122
8．1．1 權重計算　124
8．1．2 算法　124
8．2 使用MAML構建梯度一致　125
8．2．1 生成數(shù)據(jù)點　126
8．2．2 單層神經(jīng)網(wǎng)絡　126
8．2．3 MAML中的梯度一致　126
8．3 小結　131
8．4 思考題　131
8．5 延伸閱讀　131
第9章 新進展與未來方向　132
9．1 TAML　132
9．1．1 熵最大化/熵約簡　133
9．1．2 不平等最小化　134
9．2 元模仿學習　136
9．3 CACTUs　137
9．4 概念空間元學習　138
9．4．1 關鍵部分　140
9．4．2 損失函數(shù)　140
9．4．3 算法　141
9．5 小結　142
9．6 思考題　142
9．7 延伸閱讀　142
思考題答案　143