建立多任务图

多任务的一个特点是单个tensor输入(X)，多个输出(Y_1,Y_2...)。因此在定义占位符时要定义多个输出。同样也需要有多个损失函数用于分别计算每个任务的损失。具体代码如下：

#  GRAPH CODE
# ============# 导入 Tensorflow
import Tensorflow as tf# ======================
# 定义图
# ======================# 定义占位符
X = tf.placeholder("float", [10, 10], name="X")
Y1 = tf.placeholder("float", [10, 20], name="Y1")
Y2 = tf.placeholder("float", [10, 20], name="Y2")# 定义权重initial_shared_layer_weights = np.random.rand(10,20)
initial_Y1_layer_weights = np.random.rand(20,20)
initial_Y2_layer_weights = np.random.rand(20,20)shared_layer_weights = tf.Variable(initial_shared_layer_weights, name="share_W", dtype="float32")
Y1_layer_weights = tf.Variable(initial_Y1_layer_weights, name="share_Y1", dtype="float32")
Y2_layer_weights = tf.Variable(initial_Y2_layer_weights, name="share_Y2", dtype="float32")# 使用relu激活函数构建层
shared_layer = tf.nn.relu(tf.matmul(X,shared_layer_weights))
Y1_layer = tf.nn.relu(tf.matmul(shared_layer,Y1_layer_weights))
Y2_layer = tf.nn.relu(tf.matmul(shared_layer,Y2_layer_weights))# 计算loss
Y1_Loss = tf.nn.l2_loss(Y1-Y1_layer)
Y2_Loss = tf.nn.l2_loss(Y2-Y2_layer)

用图表示出来大概是这样的：

shared
Shared_layer的输出分别作为Y1、Y2的输入，并分别计算loss。

训练

有了网络的构建，接下来是训练。有两种方式：

交替训练
联合训练

下面分别讲一下这两种方式。

交替训练

这次先放图，更容易理解：
Alternate
选择训练需要在每个loss后面接一个优化器，这样就意味着每一次的优化只针对于当前任务，也就是说另一个任务是完全不管的。

# 优化器
Y1_op = tf.train.AdamOptimizer().minimize(Y1_Loss)
Y2_op = tf.train.AdamOptimizer().minimize(Y2_Loss)

在训练上面我一开始也有些疑惑，首先是feed数据上面的，是否还需要同时把两个标签的数据都输入呢？后来发现的却需要这样，那么就意味着另一任务还是会进行正向传播运算的。

# Calculation (Session) Code
# ==========================# open the sessionwith tf.Session() as session:session.run(tf.initialize_all_variables())for iters in range(10):if np.random.rand() < 0.5:_, Y1_loss = session.run([Y1_op, Y1_Loss],{X: np.random.rand(10,10)*10,Y1: np.random.rand(10,20)*10,Y2: np.random.rand(10,20)*10})print(Y1_loss)else:_, Y2_loss = session.run([Y2_op, Y2_Loss],{X: np.random.rand(10,10)*10,Y1: np.random.rand(10,20)*10,Y2: np.random.rand(10,20)*10})print(Y2_loss)

由此看来这种方法效率还是有点低。

联合训练

两个优化器需要分别训练，我们把他俩联合在一起，不就可以同时训练了吗？
原理很简单，把两个loss相加即可。得到的图是这样的：
joint
代码：

# 计算Loss
Y1_Loss = tf.nn.l2_loss(Y1-Y1_layer)
Y2_Loss = tf.nn.l2_loss(Y2-Y2_layer)
Joint_Loss = Y1_Loss + Y2_Loss# 优化器
Optimiser = tf.train.AdamOptimizer().minimize(Joint_Loss)
Y1_op = tf.train.AdamOptimizer().minimize(Y1_Loss)
Y2_op = tf.train.AdamOptimizer().minimize(Y2_Loss)# 联合训练
# Calculation (Session) Code
# ==========================# open the sessionwith tf.Session() as session:session.run(tf.initialize_all_variables())_, Joint_Loss = session.run([Optimiser, Joint_Loss],{X: np.random.rand(10,10)*10,Y1: np.random.rand(10,20)*10,Y2: np.random.rand(10,20)*10})print(Joint_Loss)

这是原文的代码，其中定义的Y1_op和Y2_op并没有使用，应该是多此一举了。

如何选择？

什么时候交替训练好？

Alternate training is a good idea when you have two different datasets for each of the different tasks (for example, translating from English to French and English to German). By designing a network in this way, you can improve the performance of each of your individual tasks without having to find more task-specific training data.

当对每个不同的任务有两个不同的数据集（例如，从英语翻译成法语，英语翻译成德语）时，交替训练是一个好主意。通过以这种方式设计网络，可以提高每个任务的性能，而无需找到更多任务特定的训练数据。

这里的例子很好理解，但是“数据集”指的应该不是输入数据X。我认为应该是指输出的结果Y_1、Y_2关联不大。