1樓：
可以首先，兩個loss加起來可以。
其次分開的話，乙個跑一跑，另乙個跑一跑也成。想想有兩個空間低窪地群，一下往這跑跑一會那兒跑跑，還是能跑到乙個相對兩個空間都是低窪地的地方。不過有時候可能需要一些指導。
2樓：Dylan
這裡要區分是嚴格多目標還是弱多目標
你說的多個損失加權這種，就是弱多目標，多個目標都有考慮，但對於模型優化來說就是乙個目標。你說的兩個loss交替優化，本質還是融合了，你可以認為是0.5 0.5加權
再說嚴格多目標，這個不存在的！同一組引數，不可能同時往兩個方向優化實際應用中，本質都是弱多目標，融合尋找乙個權衡。而弱多目標可以work的隱含假設是，多個目標存在不低的相關性，不可忽視
3樓：
多工學習就是允許多個損失的，不過會加權組合在一起，一併更新梯度。其實這等價於每個損失去更新梯度。
召回率和精確率，都要好，似乎採用級聯思想吧。
4樓：XBCoder
首先GAN中，生成器和判別器兩個分別對應乙個loss函式，所以也就是乙個模型乙個loss。
然後看你的想法，乙個模型能不能有多個loss，輪流訓練，可以是可以，但是你把你這幾個loss加起來作為乙個總的loss，在反向傳播時一次性更新，其實就相當於同時用這幾個loss訓練更新了網路，所以不用乙個乙個來。
神經網路中的dropout策略是乙個演算法嗎？還是將它看成乙個常數？
數學優先 綜合而言，上述過程可以分步驟為 將輸入通過修改後的網路進行前向傳播，然後將誤差通過修改後的網路進行反向傳播 對於另外一批的訓練樣本，重複上述操作1.從Hinton的原文以及後續的大量實驗論證發現，dropout可以比較有效地減輕過擬合的發生，一定程度上達到了正則化的效果。論其原因而言，主要...
我自己寫了乙個神經網路引數的搜尋演算法，請問有發表價值嗎？
MisT大野兔 高中做過類似的探索。前面有答主提到neat了，當時是嘗試基於neat訓練下9x9圍棋的模型。失敗告終，理由我分析主要在於1.解空間過大 2.ga的早熟問題被放大從而難以解決 我們知道ga搜尋解空間靠的是兩個運算元 交叉和突變。neat的工作主要就是設計了一種帶歷史標記的網路結構編碼方...
神經網路是不是本質上就是乙個力學問題
周強 應該不是乙個力學問題，但或許真的蘊含了某種幾何。深度學習的成功是基於兩個資料分布規律 1.流形分布定律 自然界中同一類別的高維資料，往往集中在某個低維流形附近。2.聚類分布定律 這一類別中不同的子類對應著流形上的不同概率分布，這些分布之間的距離大到足夠將這些子類區分。文章基於這兩個規律，將深度...