تعلم تمثيلات ميزات جيدة للصور غالبًا ما يتطلب بيانات تدريبية كبيرة. نتيجة لذلك، في السياقات التي تكون فيها بيانات التدريب محدودة (مثل التعلم بقليل من الأمثلة والتعلم بلا أمثلة)، نُجبر عادةً على استخدام تمثيل عام للميزات في مجموعة متنوعة من المهام. المثالي هو أن نتمكن من بناء تمثيلات ميزات مُعَدّلة لل مهمة المعطاة. في هذا البحث، نقترح شبكات تمثيل الميزات الواعية بالمهام (TAFE-Nets) لتعلم كيفية تعديل تمثيل الصورة لمهمة جديدة بطريقة التعلم الميتا (meta learning). تتكون شبكتنا من متعلم ميتا وشبكة تنبؤ. استنادًا إلى إدخال المهمة، يولد المتعلم الميتا معاملات لطبقات الميزات في شبكة التنبؤ بحيث يمكن ضبط التمثيل الدقيق لهذه المهمة. نوضح أن TAFE-Net فعال للغاية في التعميم على مهمات أو مفاهيم جديدة وتقييم TAFE-Net على مجموعة من المقاييس في التعلم بلا أمثلة والتعلم بقليل من الأمثلة. نموذجنا يتوافق أو يتفوق على أفضل النماذج الحالية في جميع المهام. بشكل خاص، تحسن طريقتنا دقة التنبؤ بالأزواج غير المرئية بين السمات والأجسام بمقدار 4 إلى 15 نقطة في مهمة التركيب البصري الصعبة بين السمات والأجسام.