本文介绍了多任务学习（Multi-task learning）的概念，它不同于迁移学习的串行学习方式，而是让神经网络同时处理多个任务。以无人驾驶为例，多任务学习可以让模型同时检测行人、车辆、停车标志和交通灯。通过训练一个共同的神经网络，各任务之间可以共享低层次特征，提升整体性能。多任务学习适用于任务间存在共同特征、数据量相近且能训练大型神经网络的场景。与迁移学习相比，多任务学习在计算机视觉领域的物体检测中应用较多。
多任务学习（Multi-task learning）
在迁移学习中，你的步骤是串行的，你从任务A里学习只是然后迁移到任务B。在多任务学习中，你是同时开始学习的，试图让单个神经网络同时做几件事情，然后希望这里每个任务都能帮到其他所有任务。
我们来看一个例子，假设你在研发无人驾驶车辆，那么你的无人驾驶车可能需要同时检测不同的物体，比如检测行人、车辆、停车标志，还有交通灯各种其他东西。比如在左边这个例子中，图像里有个停车标志，然后图像中有辆车，但没有行人，也没有交通灯。
如果这是输入图像x^((i))，那么这里不再是一个标签 y^((i))，而是有4个标签。在这个例子中，没有行人，有一辆车，有一个停车标志，没有交通灯。
然后如果你尝试检测其他物体，也许 y^((i))的维数会更高，现在我们就先用4个吧，所以 y((i))是个4×1向量。如果你从整体来看这个训练集标签和以前类似，我们将训练集的标签水平堆叠起来，像这样y((1))一直到y^((m))：
不过现在y^((i))是4×1向量，所以这些都是竖向的列向量，所以这个矩阵Y现在变成4×m矩阵。而之前，当y是单实数时，这就是1×m矩阵。
那么你现在可以做的是训练一个神经网络，来预测这些y值，你就得到这样的神经网络&
最低0.47元/天 解锁文章
1241
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
