您好，对于代码有两个问题，请教您一下，谢谢

[CUITCHENSIYU]

第一个问题： 在meta.py文件中 第82行，相当于每次更新一次Meta的参数后，下一次任务的开始，Meta的参数又会被重新初始化，那么我们在for循环结束后更新Meta参数的意义是什么呢？ 第二个问题： 在Meta.py文件中 我们发现有两个“with torch.no_grad():”，那这里面的两个操作的意义是什么呢，感觉并不参与训练，更像是在记录日志

[CUITCHENSIYU]

对于第一个问题，我们可以看论文中的介绍： meta网络参数在循环外被随机初始化之后，在整个迭代过程中就不在被随机初始化了。

[Isuxiz]

尝试回答第一个问题：

太长不看版本： 这份代码中参数的随机初始化是在初始化Meta类实例时初始化self.net成员变量的时候做的：self.net = Learner(config, args.imgc, args.imgsz)，因此整个训练过程中确实只有一次随机取初值。此初值会每个epoch被adam优化器原地优化一次，下一个epoch开始后优化后self.net成员变量的内部参数就是上一个epoch更新好的

详细： 82行的地方vars=None的含义是不使用外部传入的参数而是使用self.net内部自带的参数，而不是重新随机初始化一份参数给self.net！看下Learner类的源码就知道了：

if vars is None:
    vars = self.vars

只是单纯的让变量var指向内部的参数列表。 而真正随机初始化参数是在初始化一个Learner类的实例的时候做的，以一个线性变化层为例：

elif name is 'linear':
    # ↓初始化了一个全1的参数并将其kaiming标准化
    w = nn.Parameter(torch.ones(*param))
    torch.nn.init.kaiming_normal_(w)
    # ↓把这个全1参数加入模型的参数列表
    self.vars.append(w)
    # ↓初始化一个全0的参数（即wx+b里的b）并把它加入模型的参数列表
    self.vars.append(nn.Parameter(torch.zeros(param[0])))

上面说过了，在初始化Meta类实例的时候已经随机初始化好了self.net的参数，每个Meta实例只会初始化这一次！所以self.net自带的参数是会随着元学习的epoch不断更新的！具体过程如下：

初始化中指定了MAML的参数优化器：self.meta_optim = optim.Adam(self.net.parameters(), lr=self.meta_lr)，调用是在每次forward的最后，跑完所有任务之后会根据总loss和（这里用的其实是每个任务的平均loss，差一个常数系数不影响梯度方向）更新self.net的参数：

loss_q = losses_q[-1] / task_num
self.meta_optim.zero_grad()
loss_q.backward()
self.meta_optim.step()

因此每次forward结束后self.net的参数已经in-place更新好了，下一个epoch时82行的vars=None的含义就是使用self.net中的参数而不另外赋给它参数——也就是使用上一个epoch结束前更新好的参数，这对应了原始MAML算法的外层while循环的第8行

[sevenHsu]

line90 和 line101的两个with torch.no_grad()代码段看来确实没实际意义，后面更新meta时也没用到这两段的loss，单纯记录了下loss和correct数量。然后就是计算train acc 使用了这两个部分的correct 数量，让大家看看从随机参数的acc到迭代1、2 ... K轮后的acc变化，再到后面每个batch初始化上一个batch更新的meta参数初始化的acc变化。