返回 AI 工具目录
learn2learn
开发框架人工精选最近核验 2026年7月23日
learn2learn 是一个基于 PyTorch 的元学习(meta-learning)研究库,面向少样本学习等场景,目标是让算法快速原型化并保证可复现。它实现了 MAML、ProtoNets、ANIL、Meta-SGD、Reptile、Meta-Curvature 等常见元学习算法,提供可微优化工具、高层算法封装(GBML、LearnableOptimizer)、标准数据集与基准,以及元强化学习环境工具。代码以 Python 为主并含 Cython 优化,MIT 许可。项目偏学术研究用途,最近版本为 2023 年 6 月的 v0.2.1,近期维护节奏放缓,选型需留意更新频率。
定价开源部署本地运行国内可达国内可达许可MIT
解决什么问题
- 提供 MAML 等元学习算法的可复现实现
- 降低少样本学习实验的搭建与对比成本
- 提供标准数据集、基准与可微优化工具
- 覆盖监督与元强化学习两类场景
适合
- 做元学习/少样本学习研究与论文复现
- 需要在 PyTorch 上快速搭建对比实验
- 想复用现成算法封装而非从零实现
不适合
- 面向研究,非生产级训练或服务框架
- 需评估近年维护放缓带来的依赖风险
- 与最新 PyTorch 版本兼容性需自行验证
如何接入
- 以 pip 库形式嵌入 PyTorch 训练脚本
- 复用内置数据集与基准做算法评测
- 提供高层封装与底层可微优化两层接口
已知限制
- 最近版本停留在 2023 年,更新节奏放缓
- 定位研究库,缺少生产化工程支持
- 新版 PyTorch 兼容性需自测
接入与使用事实
- 部署方式
- 本地运行
- 实现语言
- Python
- 中文界面
- 待确认
- 中文文档
- 待确认
- 定价方式
- 开源
- 许可证
- MIT
- 国内可达性
- 国内可达
- 可达性观察
- 待补充
权限、依赖与维护信号
这些字段记录公开可见信号，不等同于安全审计结论。
权限信号
暂无公开信号。
依赖信号
暂无公开信号。
维护信号
暂无公开信号。
公开来源与证据
暂无可公开的来源链接。