هدف هذا البحث هو تصميم أنظمة تصنيف الصور التي يمكنها، بعد مرحلة تدريب متعدد المهام أولية، التكيف تلقائيًا مع المهام الجديدة التي تواجهها أثناء الاختبار. نقدم منهجية تعتمد على عملية العصبونات الشرطية للإعداد متعدد المهام لهذا الغرض، ونقيم الروابط مع أدبيات التعلم المتكرر (meta-learning) والتعلم القليل الأمثل (few-shot learning). النهج الناتج، والذي يُطلق عليه اسم CNAPs، يتكون من تصنيف يقوم بتغيير معلماته بواسطة شبكة التكيف التي تأخذ مجموعة بيانات المهمة الحالية كمدخل. نثبت أن CNAPs حقق نتائجًا رائدة على معيار Meta-Dataset الصعب، مما يشير إلى جودة عالية في التعلم النقل (transfer-learning). نوضح أيضًا أن هذا النهج قوي، حيث يتجنب الإفراط في التكيف (over-fitting) في الأنظمة ذات الإدخال القليل ويتجنب قلة التكيف (under-fitting) في الأنظمة ذات الإدخال العالي. تجارب الوقت كشفت أن CNAPs فعّالة حسابيًا أثناء الاختبار لأنه لا يتضمن تكيفًا يستند إلى الدرجات (gradient-based adaptation). أخيرًا، نظهر أن النماذج المدربة يمكن نشرها فورًا في التعلم المستمر والتعلم الفعّال حيث يمكنها أن تتخطى الأساليب الموجودة التي لا تستفيد من التعلم النقل.