In dieser Arbeit werden Meta-Lernprobleme betrachtet, bei denen eine Verteilung von Aufgaben vorliegt und das Ziel ist, einen Agenten zu erlangen, der gut (d.h., schnell lernt) abschneidet, wenn ihm eine bisher unbekannte Aufgabe aus dieser Verteilung präsentiert wird. Wir analysieren eine Familie von Algorithmen, die es ermöglichen, eine Parameterinitialisierung zu lernen, die sich auf einer neuen Aufgabe mit nur ersten Ordnungsableitungen für die Meta-Lernaufgaben schnell anpassen lässt. Diese Familie umfasst und verallgemeinert First-Order MAML (FO-MAML), eine Approximation von MAML, die durch Ignorieren zweiter Ordnungsableitungen erreicht wird. Sie enthält auch Reptile, einen neuen Algorithmus, den wir hier einführen, der dadurch funktioniert, dass er wiederholt eine Aufgabe auswählt, darauf trainiert und die Initialisierung in Richtung der trainierten Gewichte dieser Aufgabe verschiebt. Wir bauen auf den Ergebnissen von Finn et al. auf und zeigen, dass erste-Ordnungs-Meta-Lernalgorithmen auf einigen etablierten Benchmarks für Few-Shot-Klassifikation gute Leistungen erzielen. Darüber hinaus liefern wir eine theoretische Analyse, die dazu beiträgt, das Verständnis dafür zu vertiefen, warum diese Algorithmen funktionieren.