در یادگیریِ چندوظیفه‌ای،چند هدفِ آموزشی بخشی از پارامترها را شریک می‌شوند ومی‌توانند خروجی‌هایِ جدا داشته باشند. مشترک‌بودن الزاماً به معنیِ بهترشدنِ همهٔ وظیفه‌ها نیست؛ زیانِ هر هدف ووزنِ آن در آموزش اهمیت دارد. این صفحه یک مدلِ عددیِ سه‌پارامتری را با دو هدف،واقعاً یک گام به‌روز می‌کند.
بخشِ مشترک وسرهایِ خروجی
ورودیِ ساختگی x=۱است وبازنماییِ مشترک h=w×xمی‌شود. سرِ اول a×hوسرِ دوم b×hرا پیش‌بینی می‌کند. هدفِ اول۲وهدفِ دوم۰است؛ w،aوbدر آغاز هر سه۱هستند. این دو هدف هیچ واحدِ تجاری ندارند ونمایندهٔ زمان،احساس یا مشتری نیستند.
برای هر هدف نصفِ مربعِ خطا را می‌گیریم؛ هر دو زیانِ اولیه۰٫۵است. هدفِ کل α×L1+(1−α)×L2است. در این صفحه αوزنِ وظیفه است،نه نرخِ یادگیری؛ نرخِ گام جدا و۰٫۱است.
گرادیان‌هایِ مشترک می‌توانند خلافِ هم باشند
در شروع،مشتقِ بدونِ وزنِ L1نسبت به wبرابر−۱ومشتقِ L2برابر۱است. با وزن‌هایِ۰٫۵و۰٫۵،سهمِ دو وظیفه در wخنثی می‌شود. اما دو سرِ جدا هنوز گرادیان دارند؛ یک گامِ هم‌زمان w=۱،a=۱٫۰۵وb=۰٫۹۵می‌دهد. زیانِ هر دو به۰٫۴۵۱۲۵کم می‌شود.
پس صفرشدنِ گرادیانِ یک پارامترِ مشترک لزوماً به معنیِ توقفِ همهٔ یادگیری نیست؛ بخش‌هایِ غیرمشترک می‌توانند تغییر کنند. این نمونه فقط محاسبهٔ یک وضعیت است،نه شاهدِ حل‌شدنِ همیشگیِ تعارضِ وظیفه‌ها با افزودنِ سرِ خروجی.
وزن‌دهیِ تازه چه نتیجه‌ای می‌دهد؟
آزمایشِ دوم را دوباره از همان سه مقدارِ اولیه آغاز می‌کنیم،این بار با وزنِ۰٫۷۵برای هدفِ اول و۰٫۲۵برای دوم. گرادیانِ مشترک دیگر صفر نیست. پس از یک گام،زیانِ کل کمتر می‌شود وهدفِ اول بهتر،اما زیانِ هدفِ دوم بیشتر از۰٫۵می‌شود. جدولِ دقیقِ پارامترها،پیش‌بینی‌ها وهر دو زیان در JSONهست.
دو آزمایش پیاپی روی یک مدل نیستند؛ هر دو از[۱,۱,۱]شروع می‌شوند. تمامِ پارامترها با گرادیانِ همان وضعیتِ اولیه هم‌زمان عوض می‌شوند. شش مشتقِ پارامتر با تفاضلِ مرکزی مستقل کنترل شده‌اند؛ کد فقط از کتابخانهٔ استاندارد Pythonاست وKerasاجرا نشده است.
چندوظیفه‌ای با چندبرچسبی یکی نیست
چندبرچسبی شکلِ هدفی را توضیح می‌دهد که یک نمونه هم‌زمان چند برچسب دارد. از آن شکل به‌تنهایی معلوم نمی‌شود شبکه کدام بخش را شریک می‌کند،چند سر دارد یا زیان‌ها چطور ترکیب می‌شوند. مدلِ چندوظیفه‌ای هم می‌تواند یک سرِ عددی وسرِ طبقه‌ای داشته باشد؛ لازم نیست همهٔ خروجی‌ها از یک جنس باشند.
در مسئلهٔ واقعی،مقیاسِ زیان‌ها،دادهٔ ناموجود برای بعضی وظیفه‌ها،وزن‌دهی ونتیجهٔ جداگانهٔ هر وظیفه باید روشن باشد. بهترشدنِ میانگینِ کل می‌تواند افتِ یک هدفِ مهم را پنهان کند. این تمرین برتریِ آموزشِ مشترک نسبت به دو مدلِ جدا را ارزیابی نکرده ونتیجهٔ تعمیم ندارد.
پرسشِ مناسب از ارائه‌دهنده
اگر یک راهکار چند خروجی اعلام می‌کند،معیارِ هر خروجی،دادهٔ مرجع وپیامدِ خطایِ همان خروجی را جدا بخواهید. یک نمرهٔ ترکیبی کافی نیست. برای تحلیلِ مکالمه،تعریفِ خروجی‌هایِ مطلوب ونمونهٔ مجاز را در بررسیِ اپرابین مطرح کنید؛ معماریِ چندوظیفه‌ای یا دسترسیِ مستقیم به زیان‌هایِ داخلیِ محصول از این آموزش ادعا نمی‌شود.
فایل تمرین و منبع
دو زیان،سه پارامتر ویک گامِ هم‌زمان برای دو وزن‌دهی · گرادیانِ بخشِ مشترک،پارامترهایِ تازه وزیانِ جداگانهٔ دو وظیفه
منابع در 2026-11-04 خوانده شدند؛ این تاریخ، تاریخ انتشار منبع نیست. مثال‌ها و فایل‌های این راهنما آموزشی و ساختهٔ تحریریه‌اند.