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%。

尽管在深度学习方面取得了最近的进展，但大多数方法仍然采用类似“筒仓”的解决方案，专注于孤立地学习每个任务:为每个单独的任务训练一个单独的神经网络。然而，许多现实问题需要多模态方法，因此需要多任务模型。多任务学习(MTL)旨在利用跨任务的有用信息来提高模型的泛化能力。

多任务分类，包括代码复现的论文

多任务学习(Multi-Task Learning, MTL)是机器学习中的一种学习范式，其目的是利用多个相关任务中包含的有用信息来帮助提高所有任务的泛化性能。本文从算法建模、应用和理论分析三个方面对MTL进行了综述。在算法建模方面，给出了MTL的定义，并将不同的MTL算法分为特征学习、低秩、任务聚类、任务关系学习和分解五类，并讨论了每种方法的特点。

细粒度分类的自适应多任务学习

对抗式多任务学习技术实体识别

引入辅助任务信息有助于立体匹配模型理解相关知识,但也会增加模型训练的复杂度。为解决模型训练对额外标签数据的依赖问题,提出了一种利用双目图像的自相关性进行多任务学习的立体匹配算法。该算法在多层级渐进细化过程中引入了边缘和特征一致性信息,并采用循环迭代的方式更新视差图。根据双目图像中视差的局部平滑性和左右特征一致性构建了损失函数,在不依赖额外标签数据的情况下就可以引导模型学习边缘和特征一致性信息。提出了一种尺度注意的空间金字塔池化,使模型能够根据局部图像特征来确定不同区域中不同尺度特征的重要性。实验结果表明:辅助任务的引入提高了视差图精度,为视差图的可信区域提供了重要依据,在无监督学习中可用于确定单视角可见区域;在KITTI2015测试集上,所提算法的精度和运行效率均具有一定的竞争力。

多任务学习简单例子，包含多任务学习的数据创建，训练，作图的matlab代码

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。