Pytorch创建多任务学习模型

在机器学习中，我们通常致力于针对单个任务，也就是优化单个指标。但是多任务学习(MTL)在机器学习的许多应用中都取得了成功，从自然语言处理和语音识别到计算机视觉和药物发现。

MTL最著名的例子可能是特斯拉的自动驾驶系统。在自动驾驶中需要同时处理大量任务，如物体检测、深度估计、3D重建、视频分析、跟踪等，你可能认为需要10个以上的深度学习模型，但事实并非如此。

HydraNet介绍

一般来说多任务学的模型架构非常简单：一个骨干网络作为特征的提取，然后针对不同的任务创建多个头。利用单一模型解决多个任务。

上图可以看到，特征提取模型提取图像特征。输出最后被分割成多个头，每个头负责一个特定的情况，由于它们彼此独立可以单独进行微调!

特斯拉的讲演中详细的说明这个模型（youtube：v=3SypMvnQT_s）

多任务学习项目

在本文中，我们将介绍如何在Pytorch中实现一个更简单的HydraNet。这里将使用UTK Face数据集，这是一个带有3个标签(性别、种族、年龄)的分类数据集。

我们的HydraNet将有三个独立的头，它们都是不同的，因为年龄的预测是一个回归任务，种族的预测是一个多类分类问题，性别的预测是一个二元分类任务。

每一个Pytorch 的深度学习的项目都应该从定义Dataset和DataLoader开始。

在这个数据集中，通过图像的名称定义了这些标签，例如UTKFace/30_0_3_20170117145159065.jpg.chip.jpg

30岁是年龄
0为性别(0:男性，1:女性)
3是种族(0:白人，1:黑人，2:亚洲人，3:印度人，4:其他)

所以我们的自定义Dataset可以这样写:

 class UTKFace(Dataset):def __init__(self, image_paths):self.transform = transforms.Compose([transforms.Resize((32, 32)), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])])self.image_paths = image_pathsself.images = []self.ages = []self.genders = []self.races = []for path in image_paths:filename = path[8:].split("_")if len(filename)==4:self.images.append(path)self.ages.append(int(filename[0]))self.genders.append(int(filename[1]))self.races.append(int(filename[2]))def __len__(self):return len(self.images)def __getitem__(self, index):img = Image.open(self.images[index]).convert('RGB')img = self.transform(img)age = self.ages[index]gender = self.genders[index]eth = self.races[index]sample = {'image':img, 'age': age, 'gender': gender, 'ethnicity':eth}return sample

简单的做个介绍：

__init__

方法初始化我们的自定义数据集，负责初始化各种转换和从图像路径中提取标签。

__get_item__

将:它将加载一张图像，应用必要的转换，获取标签，并返回数据集的一个元素，也就是说这个方法会返回数据集中的单条数据（单个样本）

然后我们定义dataloader

 train_dataloader = DataLoader(UTKFace(train_dataset), shuffle=True, batch_size=BATCH_SIZE)val_dataloader = DataLoader(UTKFace(valid_dataset), shuffle=False, batch_size=BATCH_SIZE)

下面我们定义模型，这里使用一个预训练的模型作为骨干，然后创建3个头。分别代表年龄，性别和种族。

 class HydraNet(nn.Module):def __init__(self):super().__init__()self.net = models.resnet18(pretrained=True)self.n_features = self.net.fc.in_featuresself.net.fc = nn.Identity()self.net.fc1 = nn.Sequential(OrderedDict([('linear', nn.Linear(self.n_features,self.n_features)),('relu1', nn.ReLU()),('final', nn.Linear(self.n_features, 1))]))self.net.fc2 = nn.Sequential(OrderedDict([('linear', nn.Linear(self.n_features,self.n_features)),('relu1', nn.ReLU()),('final', nn.Linear(self.n_features, 1))]))self.net.fc3 = nn.Sequential(OrderedDict([('linear', nn.Linear(self.n_features,self.n_features)),('relu1', nn.ReLU()),('final', nn.Linear(self.n_features, 5))]))def forward(self, x):age_head = self.net.fc1(self.net(x))gender_head = self.net.fc2(self.net(x))ethnicity_head = self.net.fc3(self.net(x))return age_head, gender_head, ethnicity_head

forward方法返回每个头的结果。

损失作为优化的基础时十分重要的，因为它将会影响到模型的性能，我们能想到的最简单的事就是地把损失相加：

 L = L1 + L2 + L3

但是我们的模型中

L1:与年龄相关的损失，如平均绝对误差，因为它是回归损失。

L2:与种族相关的交叉熵，它是一个多类别的分类损失。

L3:性别有关的损失，例如二元交叉熵。

这里损失的计算最大问题是损失的量级是不一样的，并且损失的权重也是不相同的，这是一个一直在被深入研究的问题，我们这里暂不做讨论，我们只使用简单的相加，所以我们的一些超参数如下：

 model = HydraNet().to(device=device)ethnicity_loss = nn.CrossEntropyLoss()gender_loss = nn.BCELoss()age_loss = nn.L1Loss()sig = nn.Sigmoid()optimizer = torch.optim.SGD(model.parameters(), lr=1e-4, momentum=0.09)

然后我们训练的循环如下：

 for epoch in range(n_epochs):model.train()total_training_loss = 0for i, data in enumerate(tqdm(train_dataloader)):inputs = data["image"].to(device=device)age_label = data["age"].to(device=device)gender_label = data["gender"].to(device=device)eth_label = data["ethnicity"].to(device=device)optimizer.zero_grad()age_output, gender_output, eth_output = model(inputs)loss_1 = ethnicity_loss(eth_output, eth_label)loss_2 = gender_loss(sig(gender_output), gender_label.unsqueeze(1).float())loss_3 = age_loss(age_output, age_label.unsqueeze(1).float())loss = loss_1 + loss_2 + loss_3loss.backward()optimizer.step()total_training_loss += loss

这样我们最简单的多任务学习的流程就完成了

关于损失的优化

多任务学习的损失函数，对每个任务的损失进行权重分配，在这个过程中，必须保证所有任务同等重要，而不能让简单任务主导整个训练过程。手动的设置权重是低效而且不是最优的，因此，自动的学习这些权重是十分必要的，

Multi-Task Learning Using Uncertainty to Weigh Losses for Scene Geometry and Semantics cvpr_2018

这篇论文提出，将不同的loss拉到统一尺度下，这样就容易统一，具体的办法就是利用同方差的不确定性，将不确定性作为噪声，进行训练

End-to-End Multi-Task Learning with Attention cvpr_2019

这篇论文提出了一种可以自动调节权重的机制（ Dynamic Weight Average），使得权重分配更加合理，大概的意思是每个任务首先计算前个epoch对应损失的比值，然后除以一个固定的值T，进行exp映射后，计算各个损失所占比

最后如果你对多任务学习感兴趣，可以先看看这篇论文：

A Survey on Multi-Task Learning arXiv 1707.08114

从算法建模、应用和理论分析的角度对MTL进行了调查，是入门的最好的资料。

https://avoid.overfit.cn/post/57d4e8712c634fe887247ce66e694f8f

作者：Alessandro Lamberti