点击上方“小白学视觉”，选择加"星标"或“置顶”
重磅干货，第一时间送达
编辑： kaggle竞赛宝典
在多目标多任务训练的网络中，如果最终的loss为有时为多个loss的加权和，例如 loss = a*loss_x+b*loss_y+c*loss_y+... ，这个问题在微信视频号推荐比赛里也存在。任务需要对视频号的某个视频的收藏、点击头像、转发、点赞、评论、查看评论等进行多任务建模，也就产生了多个loss。
这里介绍在这次实践过程中测试过的几个方法。
GradNorm：ω(t+1)=ω(t)+λβ(t)，该方法主要在对各损失函数权重的梯度进行处理，利用梯度更新公式动态更新权重ω。
2.Multi-Task Learning as Multi-Objective Optimization 在处理多个loss时，引入Pareto用一次训练的方式将问题转化为求取Pareto最优解。有兴趣的可以看看原文：https://arxiv.org/pdf/1810.04650.pdf
最简单的多任务Loss的线性加权：
对于分类任务，经常通过softmax函数产生概率向量中抽取样本来构造多任务的最大似然函数。
class MultiLossLayer(nn.Module):
"""
计算自适应损失权重
implementation of "Multi-Task Learning Using Uncertainty to Weigh Losses for Scene Geometry and Semantics"
"""
def __init__(self, num_loss):
super(MultiLossLayer, self).__init__()
self.sigmas_dota = nn.Parameter(nn.init.uniform_(torch.empty(num_loss), a=0.2, b=1.0), requires_grad=True)
def get_loss(self, loss_set):
factor = torch.div(1.0, torch.mul(2.0, self.sigmas_dota))
loss_part = torch.sum(torch.mul(factor, loss_set))
regular_part = torch.sum(torch.log(self.sigmas_dota))
loss = loss_part + regular_part
return loss
上面说了太多方法调参，来点手动的经验吧。最简单的方法如下：
例如 loss = a*loss_x+b*loss_y+c*loss_y ，可以在a+b+c=1前提下，固定a,b，调整c，分别在2x、4x、6x等倍数去做尝试，最后相加为1；
权重缩放，固定其中一个为1，利用power(m,n)去调整尝试；
Weight Uncertainty 利用 Gaussian approximation 方式直接修改loss ，并同时以梯度传播的方式来更新里面的两个参数。
下载1：OpenCV-Contrib扩展模块中文版教程
在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。在「小白学视觉」公众号后台回复：Python视觉实战项目
，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。交流群
欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~
