多任务学习框架中的损失效应

Question

我设计了一个多任务网络，其中第一层在两个输出层之间共享。通过研究多任务学习原理，我了解到应该有一个权重标量参数，如alpha，它可以抑制两个输出层输出的两个损失。我的问题是关于这个参数本身。它对模型的最终性能有影响吗？可能是吧。

这是我用于计算损失的代码片段的一部分：

...

mtl_loss = (alpha) * loss_1 + (1-alpha) * loss_2
mtl_loss.backward()

...

上面的loss_1是MSELoss，loss_2是CrossEntropyLoss。因此，选择alpha=0.9，我在训练步骤中得到以下损失值：

[2020-05-03 04:46:55,398 INFO] Step 50/150000; loss_1: 0.90 + loss_2: 1.48 = mtl_loss: 2.43 (RMSE: 2.03, F1score: 0.07); lr: 0.0000001;  29 docs/s;     28 sec
[2020-05-03 04:47:23,238 INFO] Step 100/150000; loss_1: 0.40 + loss_2: 1.27 = mtl_loss: 1.72 (RMSE: 1.38, F1score: 0.07); lr: 0.0000002;  29 docs/s;     56 sec
[2020-05-03 04:47:51,117 INFO] Step 150/150000; loss_1: 0.12 + loss_2: 1.19 = mtl_loss: 1.37 (RMSE: 0.81, F1score: 0.08); lr: 0.0000003;  29 docs/s;     84 sec
[2020-05-03 04:48:19,034 INFO] Step 200/150000; loss_1: 0.04 + loss_2: 1.10 = mtl_loss: 1.20 (RMSE: 0.55, F1score: 0.07); lr: 0.0000004;  29 docs/s;    112 sec
[2020-05-03 04:48:46,927 INFO] Step 250/150000; loss_1: 0.02 + loss_2: 0.96 = mtl_loss: 1.03 (RMSE: 0.46, F1score: 0.08); lr: 0.0000005;  29 docs/s;    140 sec
[2020-05-03 04:49:14,851 INFO] Step 300/150000; loss_1: 0.02 + loss_2: 0.99 = mtl_loss: 1.05 (RMSE: 0.43, F1score: 0.08); lr: 0.0000006;  29 docs/s;    167 sec
[2020-05-03 04:49:42,793 INFO] Step 350/150000; loss_1: 0.02 + loss_2: 0.97 = mtl_loss: 1.04 (RMSE: 0.43, F1score: 0.08); lr: 0.0000007;  29 docs/s;    195 sec
[2020-05-03 04:50:10,821 INFO] Step 400/150000; loss_1: 0.01 + loss_2: 0.94 = mtl_loss: 1.00 (RMSE: 0.41, F1score: 0.08); lr: 0.0000008;  29 docs/s;    223 sec
[2020-05-03 04:50:38,943 INFO] Step 450/150000; loss_1: 0.01 + loss_2: 0.86 = mtl_loss: 0.92 (RMSE: 0.40, F1score: 0.08); lr: 0.0000009;  29 docs/s;    252 sec

正如训练损失所示，我的第一个使用MSELoss的网络似乎收敛得非常快，而第二个网络还没有收敛。RMSE和F1score是我分别用来跟踪第一个和第二个网络进度的两个指标。

我知道选择最优的alpha有点实验性，但是有没有提示让选择它的过程变得更容易呢？具体地说，我希望训练的网络彼此一致，而不是像上面那样，第一个网络收敛得超级快。alpha参数可以帮助控制这一点吗？

Answer 1

有了这个alpha，loss_1对结果的贡献更大，并且由于反向传播，它可以更快地改进误差，从而按比例更新权重。尝试使用更平衡的alpha来平衡这两个任务的性能。

您还可以在训练期间尝试更改alpha。