一个网络能否同时做分类和回归
哪些公司问过
答案要点
- 可以:共享主干提取特征,分出分类头(softmax/sigmoid)和回归头(线性输出)
- 损失分别用交叉熵和MSE/Smooth L1,总损失按权重相加后联合反向传播
- 典型例子:目标检测同时做类别分类和边框回归,如Faster R-CNN
- 可行原因:任务共享底层特征,共享表示有正则作用,还能节省计算
- 难点:损失量级不同需调权重或自动加权(不确定性加权、GradNorm),任务冲突时可能负迁移
易错点
- 回归头沿用分类的softmax激活,把连续输出压成了概率分布
- 两个损失直接相加不考虑量级差异,导致一个任务主导训练
- 认为多任务一定比单任务好,忽略负迁移的可能
面试官常见追问
- 两个损失的权重怎么定?
- 两个任务梯度冲突怎么办?
- 回归目标数值范围很大时需要注意什么?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。