近年来，少样本学习领域取得了显著进展。这些进展大多来自于将少样本学习视为元学习问题。模型无关元学习（Model-Agnostic Meta-Learning, MAML）目前是通过元学习实现少样本学习的最佳方法之一。MAML 方法简单、优雅且非常强大，但同时也存在多种问题，例如对神经网络架构非常敏感，经常导致训练过程中的不稳定，需要繁琐的超参数搜索以稳定训练并实现高泛化性能，并且在训练和推理阶段都具有很高的计算成本。本文中，我们提出了对 MAML 的若干改进措施，不仅稳定了系统，还大幅提升了其泛化性能、收敛速度和降低了计算开销，我们将这种方法称为 MAML++。