Python元学习 通用人工智能的实现

1.本书介绍元学习及其原理，讲解各种单样本学习算法，例如孪生网络、原型网络、关系网络和记忆增强网络，并在基于Python的TensorFlow与Keras中实现它们； 2.读者能够从本书中了解优选的元学习算法，如模型无关元学习、Reptile和元学习的上下文适应； 3.本书还探索如何使用元随机梯度下降法来快速学习，以及如何使用元学习来进行无监督学习。 “这本书对算法的解释简洁明晰、通俗易懂，任何想了解元学习的人都应该阅读。” ——英文版读者评论 什么是元学习？为什么需要了解元学习？ 近年来深度学习的发展如火如荼，但深度神经网络需要大规模的训练集来训练模型，而且处理新任务时不能采用已有的模型，必须从零开始训练新模型。 元学习能够生成通用的人工智能模型来学习执行各种任务。只需少量数据点，即可训练元学习模型完成各种相关的任务。因此对于新任务，元学习模型可以利用之前从相关任务中获得的知识，无须从零开始训练。 本书介绍元学习及其原理，讲解各种单样本学习算法，并在基于Python的TensorFlow与Keras中实现它们。阅读本书，你将能够： ●理解什么是元学习、元学习的类型及其算法 ●使用孪生网络建立人脸识别模型与音频识别模型 ●学习原型网络及其变体 ●使用TensorFlow构建关系网络与匹配网络 ●在Python中从头开始构建MAML和Reptile算法 ●掌握从头构建梯度一致算法 ●探索任务无关元学习和深度元学习

元学习是当今人工智能研究的热门领域之一，被视为实现通用人工智能的基础。本书介绍元学习及其原理，讲解各种单样本学习算法，例如孪生网络、原型网络、关系网络和记忆增强网络，并在基于Python的TensorFlow与Keras中实现它们。读者能够从本书中了解优选的元学习算法，如模型无关元学习、Reptile和元学习的上下文适应。此外，本书还探索如何使用元随机梯度下降法来快速学习，以及如何使用元学习来进行无监督学习。本书适合机器学习爱好者、人工智能研究人员和数据科学家阅读。

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
4.5TensorFlow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
5.1NTM61
5.1.1NTM中的读与写62
5.1.2寻址机制65
5.2使用NTM复制任务68
5.3MANN77
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
6.1MAML81
6.1.1MAML算法83
6.1.2监督学习中的MAML86
6.1.3强化学习中的MAML92
6.2ADML93
6.2.1FGSM94
6.2.2ADML94
6.2.3从头构建ADML95
6.3CAML103
6.4小结104
6.5思考题105
6.6延伸阅读105
第7章Meta-SGD和Reptile106
7.1Meta-SGD106
7.1.1监督学习中的Meta-SGD108
7.1.2强化学习中的Meta-SGD114
7.2Reptile114
7.2.1Reptile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
8.2.3MAML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
9.1TAML132
9.1.1熵优选化/熵约简133
9.1.2不平等最小化134
9.2元模仿学习136
9.3CACTUs137
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