MMSA 多模态情感分析中代码的 Pytorch 实现。 注意：我们强烈建议您首先浏览我们代码的整体结构。 如果您有任何疑问，请随时与我们联系。 支持模型 在这个框架中，我们支持以下方法： 类型 型号名称 从 单任务 单任务 —— 单任务 单任务 单任务 单任务 单任务 （无 CTC） 单任务 米萨 米萨 多任务 MLF_DNN MMSA 多任务 MTFN MMSA 多任务 MLMF MMSA 多任务 自我_MM 自我MM 结果 详细结果见results/result-stat.md 用法 克隆代码 克隆这个 repo 并安装需求。 git clone https://github.com/thuiar/MMSA cd MMSA pip install -r requirements.txt 数据集和预训练的 berts 从以下链接下载数据集特征和

十字绣网络的多任务学习 该项目是TensorFlow实现的一种多任务学习方法，该方法在论文《。 争论 --lr，学习率 --n_epoch，纪元数 --n_batch_size，最小批处理大小 --reg_lambda，L2正则化lambda --keep_prob，退出保持概率 --cross_stitch_enabled，是否使用十字绣 数据集 时尚MNIST 是Zalando文章图片的数据集，由6万个示例的训练集和10,000个示例的测试集组成。 每个示例都是一个28x28灰度图像，与来自10个类别的标签相关联： 标签 描述 标签 描述 0 T恤/上衣 5 凉鞋 1个 裤子 6 衬衫 2个 套衫 7 运动鞋 3 裙子 8 包 4 外套 9 脚踝靴 为了进行多任务学习，我为每个图像创建了另一个标签，该标签基于原始标签： 标签 原始标签 描述 0 5、7、9

实验环境 CUDA版本：11.0驱动程序版本：450.80.02 GPU：TITAN XP Python：3.7.9 pytorch：1.7.0操作系统：ubuntu 20.04 安装依赖包 pip install -r requirements.txt 解决方案及算法说明 数据预处理：数据清洗（剔除中文，非英文，非数字符号） 文本截断：通过对各任务句子长度的分析，选择句子长度256作为截断标准，不足补0 数据输入 由于任务二和任务三存在轴向的类别不均衡问题，因此训练集和验证集的划分采用分层的KFold交叉验证。由于需要多任务学习，因此模型的输入增加了任务标识dataset_ids。因此模型的输入其中任务一由于是句子对任务，token = [cls +句子1 + sep +句子2]，其余两个任务token = [cls +句子+ sep]表示为（token_ids，segment_id，

几篇CVPR关于multi-task的论文笔记整理，包括 一、 多任务课程学习Curriculum Learning of Multiple Tasks 1 --------------^CVPR2015/CVPR2016v--------------- 5 二、 词典对分类器驱动卷积神经网络进行对象检测Dictionary Pair Classifier Driven Convolutional Neural Networks for Object Detection 5 三、 用于同时检测和分割的多尺度贴片聚合（MPA）* Multi-scale Patch Aggregation (MPA) for Simultaneous Detection and Segmentation ∗ 7 四、 通过多任务网络级联实现感知语义分割Instance-aware Semantic Segmentation via Multi-task Network Cascades 10 五、 十字绣网络多任务学习Cross-stitch Networks for Multi-task Learning 15 --------------^CVPR2016/CVPR2017v--------------- 23 六、 多任务相关粒子滤波器用于鲁棒物体跟踪Multi-Task Correlation Particle Filter for Robust Object Tracking 23 七、 多任务网络中的全自适应特征共享与人物属性分类中的应用Fully-Adaptive Feature Sharing in Multi-Task Networks With Applications in Person Attribute Classification 28 八、 超越triplet loss：一个深层次的四重网络，用于人员重新识别Beyond triplet loss: a deep quadruplet network for person re-identification 33 九、 弱监督级联卷积网络Weakly Supervised Cascaded Convolutional Networks 38 十、 从单一图像深度联合雨水检测和去除Deep Joint Rain Detection and Removal from a Single Image 43 十一、 什么可以帮助行人检测？What Can Help Pedestrian Detection? （将额外的特征聚合到基于CNN的行人检测框架） 46 十二、 人员搜索的联合检测和识别特征学习Joint Detection and Identification Feature Learning for Person Search 50 十三、 UberNet：使用多种数据集和有限内存训练用于低，中，高级视觉的通用卷积神经网络UberNet: Training a Universal Convolutional Neural Network for Low-, Mid-, and High-Level Vision using Diverse Datasets and Limited Memory 62 一共13篇，希望能够帮助到大家

深度学习已逐渐应用于机械加工状态监测领域。但是，目前只能进行单任务预测，这会增加实验成本，浪费数据集，重复工作。提出了一种基于深度信念网络(DBN)的多任务学习方法，可用于刀具磨损状况和零件表面质量的预测。将DBN网络最后几个隐含层的单任务数据传输改进为多任务并行数据传输，使改进后的DBN能够实现多任务学习。多任务学习模型的损失函数定义为所有单个任务损失函数的加权和。通过改变损失函数的相应系数，可以调整相应任务的重要性。此外，多任务深度学习方法可以实现信息共享，抑制过拟合，提高预测精度，减少计算时间。结合上述改进，建立了刀具磨损与零件表面质量的多任务模型。在KVC850M三轴立式加工中心上进行了实验验证。结果表明，该多任务预测模型用于刀具磨损预测的准确率为97.59%，用于零件表面质量预测的准确率为92.66%。

论文An Interactive Multi-Task Learning Framework for Next POI的代码和数据集

Multi-modal Multi-task Learning for Automatic Dietary Assessment.

卡耐基梅隆大学的Rich Caruana写的多任务学习方法，里面包含在图像、医疗等领域 多任务学习的案例。是机器学习领域里比较基础理论的一本书。