本文介绍了Meta Networks（MetaNet）的新元学习方法，通过快速参数化学习跨任务的元级知识，实现在新概念上的快速泛化和保持以前学习的性能表现。在Omniglot和Mini-ImageNet基准测试中，MetaNet模型接近人类水平且准确性优于基线方法高达6％。展示了MetaNet的泛化和持续学习等几个有吸引力的性质。

本文介绍了一种新的元学习方法Meta Networks（MetaNet），通过快速参数化学习跨任务的元级知识，并在新概念上进行快速泛化，保持以前所学的性能表现。MetaNet模型在Omniglot和Mini-ImageNet基准测试中实现了接近人类水平的表现，并在准确性上优于基线方法高达6％。展示了MetaNet的几个有吸引力的性质，如泛化和持续学习。