简述

• 需求背景
  多任务学习的需求比较普遍, 比如给定一篇doc(如 博客, 微博, 短新闻) 的文本信息和数字信息(如 长度, 图片数, 发表日期), 来预测点赞, 转发, 点击率 等若干个回归值.
• 为什么可以多任务训练
  有些隐藏特征可以共用, 这是各output可以公用前几层的理论假设.
  除了一石二鸟, 训练一次实现多种用途以外, 多个 output 之间也会相互平衡, 像正则项一样, 比单一任务达到更好的泛化效果.

网络结构

figure multi-input-multi-output-graph

compile in keras

keras.engine.training.Model#compile(self, optimizer, loss, metrics=None, loss_weights=None,
sample_weight_mode=None, weighted_metrics=None,
target_tensors=None, **kwargs)

• loss
  可以传一个list, 对应每个output 的损失函数.
• loss_weights
  可选的, 指定每个output所用损失函数的权重.
  The loss value that will be minimized by the model will then be the weighted_sum of all individual losses.

fit in keras

fit(x,y)函数中的y传一个list, 与各output对应即可.

参考

1. keras official guide doc multi-input-and-multi-output-models