1.本學習及其原理，講解各種單樣本學習算法，例如孿生網絡、原型網絡、關繫網絡和記憶增強網絡，並在基於Python的TensorFlow與Keras中實現它們；
2.讀者能夠從本書中了解學習算法，如模學習、Repti學習的上下文適應；
3.本書還探索如隨機梯度下降法來快速學習，以及如學習來進行無監督學習。

“這本書對算法的解釋簡潔明晰、通俗易懂，任何學習的人都應該閱讀。”
——英文版讀者評論

學習？為什麼需學習？

近年來深度學習的發展如火如荼，但深度神經網絡需要大規模的訓練集來訓練模型，而且處理新任務時不能采用已有的模型，必須從零開始訓練新模型。

本學習及其原理，講解各種單樣本學習算法，並在基於Python的TensorFlow與Keras中實現它們。閱讀本書，你將能夠：

●理解學習的類型及其算法
●使用孿生網絡建立人臉識別模型與音頻識別模型
●學習原型網絡及其變體
●使用TensorFlow構建關繫網絡與匹配網絡
●在Python中從頭開始構建MAML和Reptile算法
●掌握從頭構建梯度一致算法
●探索任學習學習

蘇達桑·拉維尚迪蘭（Sudharsan Ravichandiran）

目前在眾包網站Freelancer擔任數據科學家。他是積極的開源項目貢獻者和暢銷書作家，在YouTube網站上發布的授課視頻廣受好評。重點關注深度學習和強化學習的實際應用，尤其是自然語言處理和計算機視覺領域的相關研究。

【譯者簡介】

葛言

本科畢業於華中科技大學經濟學院國際商務專業（英語雙學位），保送上海財經大學交叉科學研究院管理科學與工程直博，目前從事運籌學相關研究與Python開發工作。譯有《精通Python設計模式（第2版）》等書。

第 學習簡介1
1學習1
1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 使用孿生網絡進行人臉識別與音頻識別9
2．1 什麼是孿生網絡9
2．1．1 孿生網絡的架構10
2．1．2 孿生網絡的應用12
2．2 使用孿生網絡進行人臉識別12
2．3 使用孿生網絡進行音頻識別20
2．4 小結24
2．5 思考題24
2．6 延伸閱讀24
第3章 原型網絡及其變體25
3．1 原型網絡25
3．1．1 算法31
3．1．2 使用原型網絡執行分類31
3．2 高斯原型網絡37
3．3 半原型網絡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構建關繫網絡與匹配網絡43
4．1 關繫網絡43
4．1．1 單樣本學習中的關繫網絡43
4．1．2 少樣本學習中的關繫網絡 46
4．1．3 零樣本學習中的關繫網絡48
4．1．4 損失函數49
4．2 使用TensorFlow構建關繫網絡49
4．3 匹配網絡51
4．4 匹配網絡的架構55
4．5 TensorFlow中的匹配網絡55
4．6 小結60
4．7 思考題60
4．8 延伸閱讀60
第5章 記憶增強神經網絡61
5．1 NTM61
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 MANN77
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 MAML81
6．1．1 MAML算法83
6．1．2 監督學習中的MAML86
6．1．3 強化學習中的MAML92
6．2 ADML93
6．2．1 FGSM94
6．2．2 ADML94
6．2．3 從頭構建ADML95
6．3 CAML103
6．4 小結104
6．5 思考題105
6．6 延伸閱讀105
第7章 Meta-SGD和Reptile106
7．1 Meta-SGD106
7．1．1 監督學習中的Meta-SGD108
7．1．2 強化學習中的Meta-SGD114
7．2 Reptile114
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 梯度一致作為優化目標122
8．1 梯度一致，一種優化方法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 生成數據點126
8．2．2 單層神經網絡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 TAML132
9．1．1 熵最大化/熵約簡133
9．1．2 不平等最小化134
9模仿學習136
9．3 CACTUs137
9．4 概學習138
9．4．1 關鍵部分140
9．4．2 損失函數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