我们提出了一种模型无关的元学习算法，该算法适用于任何通过梯度下降训练的模型，并可应用于多种不同的学习任务，包括分类、回归以及强化学习。元学习的目标是，在多种学习任务上训练模型，使其能够仅用少量训练样本便解决新的学习任务。在我们的方法中，模型的参数被显式地训练，使得在新任务上仅需少量梯度更新步骤和少量训练数据，即可在该任务上实现良好的泛化性能。本质上，该方法旨在训练模型，使其更易于微调。实验表明，该方法在两个少样本图像分类基准测试中均达到了当前最优性能，在少样本回归任务中也取得了良好效果，并显著加速了基于神经网络策略的策略梯度强化学习的微调过程。