本文是专门针对深度学习初学者的代码解析教程。代码地址：dragen1860/MAML-Pytorch

对于非初学者，根本不需要看代码解析，自己去分析效率更高。

我比较认可的pytorch学习路线是：

这一学习路线，1+2大约需要15个小时；3属于基本功，花多长时间纯靠个人兴趣，不花时间也能做一个合格的调参侠。

首先，深度学习框架中的“框架”是什么意思？

一个深度学习项目，就是根据要实现的深度学习算法，（1）要先定义好网络，（2）然后从数据集中随机取出一个batch送入网络中，（3）最后通过输出结果与真实结果之间的误差，更新参数。

其中，（1）和（2）都各自需要继承pytorch中的某一个定制类。所谓定制类，就是类中有一些特殊的函数，我们继承这些类，就必须要针对自己的算法实现这些特殊函数。当我们把这些函数实现好了，（1）和（2）的代码就接近写完了。

这就是框架的力量，当我们调用pytorch框架，必须根据自己算法实现其中的定制类，定制的东西写好了，其它部分只需要交给框架完成，省时省力。

所以，本文源码解析，就是要向读者介绍（1）、（2）、（3）是如何依据框架实现的，下面先贴一下代码总体结构图。

这一模块要实现：针对从网络上下载好数据集，（1）从这一数据集中随机取出一组数据组成一个batch，（2）把得到的batch转变为合法输入，具体来说，要得到能直接送进神经网络中的张量。

数据加载需要继承torch.utils.data.Dataset类，通过继承它，再在主函数配合以torch.utils. data.DataLoader，就可以定义出一个迭代器。随后，在每一次主函数的训练中都会从这个迭代器中取出一个batch的数据，送到神经网络中训练。

这个类是定制类，以它构造的子类，一定要定义__init__()，以实现上面的（1），要定义__getitem()，以实现上面的（2）。

这一模块要实现神经网络前向传播的整个过程，搭建好后，输入数据，就可以得到结果。

如果要用pytorch定义自已的网络，就一定要继承torch.nn.Module类，它是专门为神经网络设计的模块化接口（nn构建于autograd之上，可以用来定义和运行神经网络）。nn.Module是nn中十分重要的类, 包含网络各层的定义及forward方法。

继承之后，必须要实现__init__()方法，一般会在这一方法中定义好网络要用到的各层。

随后，必须要实现forward方法，具体来说，就是定义输入数据是如何在网络中前向传播的。

这一模块要实现神经网络反向传播的整个过程，搭建好后，输入有标签数据，就能更新神经网络参数。

它依然要继承torch.nn.Module类，

首先会在__init__()中，实例化上一小节创建的神经网络类net=learner()

其次会在forward()中，先喂数据给net，进行正向传播，再根据结果，结合MAML算法，进行反向传播，更新参数。

forward具体怎么实现，三言两句讲不清楚，建议直接读源代码，只要不是傻子，最多花你一个小时。

没啥好写的，这部分不属于框架，它要求你按照逻辑，调用上面实现的三个模块，训练网络，打印结果。

只要读过pytorch文档的入门章节，能不费力得写出leetcode中一半的medium难度题目，就可以毫不费力地写出主函数。

虽说是对MAML的源码解析，但涉及MAML的部分很少，因为对于其它深度学习算法，也可以使用这个源码，只需要重新写一下网络训练文件，即meta.py就好。