Neural network 如何获得多重损失的加权和&；精度（caffe）

我在同一个图像的两个不同模态上训练了一个网络。我在一个层中传递数据，但在这之后，它几乎是两个并行的网络，它们不共享一个层，两个任务有不同的标签集，因此我有两个不同的损失和准确性层

我已经读到caffe平均多重损失和准确性（在这个问题之后），是否只有在至少共享一层时才是这样？我打算创建一个合奏，但现在看来我只是有两个不同的网络。我打算平均损失和准确度，以便两个网络分支都有助于一个准确度。在训练中，我看到两个不同的损失&准确性。在测试新图像对时，如何获得平均损失和准确度

通过转发网络，是否可能得到两个预测？如果是，怎么做

---

使用caffe参数loss_weight，一个网络可以使用多个损耗。例如，您可以为其中一个体重为0.5的减肥层添加以下内容

...
layer{
  name: "loss_a"
  type: "SigmoidCrossEntropyLoss"
  bottom: "fc8_a"
  bottom: "attributes_a"
  top : "loss_a"
  loss_weight : 0.5
 }

 layer{
  name: "loss_b"
  type: "SigmoidCrossEntropyLoss"
  bottom: "fc8_b"
  bottom: "attributes_b"
  top : "loss_b"
}

---

使用caffe参数loss_weight，一个网络可以使用多个损耗。例如，您可以为其中一个体重为0.5的减肥层添加以下内容

...
layer{
  name: "loss_a"
  type: "SigmoidCrossEntropyLoss"
  bottom: "fc8_a"
  bottom: "attributes_a"
  top : "loss_a"
  loss_weight : 0.5
 }

 layer{
  name: "loss_b"
  type: "SigmoidCrossEntropyLoss"
  bottom: "fc8_b"
  bottom: "attributes_b"
  top : "loss_b"
}

---

你所说的“平均”任务的准确性是什么意思？如果任务不同，那么相应精度的平均值是多少。你说得对。我在发布这篇文章后意识到，我拥有的只是两个独立的网络。我希望共同学习这两项任务。例如，当任务2预测某个类别标签时，任务1的类别预测应该更高。我不想在功能级别加入他们，而是在预测级别。你们所说的“平均”任务的准确性是什么意思？如果任务不同，那么相应精度的平均值是多少。你说得对。我在发布这篇文章后意识到，我拥有的只是两个独立的网络。我希望共同学习这两项任务。例如，当任务2预测某个类别标签时，任务1的类别预测应该更高。我不想在功能级别加入他们，而是在预测级别。