### 实现多输出神经网络模型 在 PyTorch 中构建一个多输出的神经网络涉及定义一个能够处理多个目标变量的任务。这种类型的架构可以应用于多种场景，比如图像分类中的属性预测或者回归分析里的多元响应。 对于创建这样的模型来说，核心在于设计最后一层使得它可以返回所需的输出数量。下面是一个简单的例子来展示如何做到这一点： ```python import torch.nn as nn class MultiOutputModel(nn.Module): def __init__(self, num_features, hidden_size, output_sizes): super(MultiOutputModel, self).__init__() # 定义共享特征提取器 self.shared_layers = nn.Sequential( nn.Linear(num_features, hidden_size), nn.ReLU(), nn.Dropout(0.5), nn.Linear(hidden_size, hidden_size//2), nn.ReLU() ) # 对于每一个输出任务定义独立的头部 self.output_heads = nn.ModuleList([ nn.Linear(hidden_size//2, out_size) for out_size in output_sizes ]) def forward(self, x): shared_output = self.shared_layers(x) outputs = [head(shared_output) for head in self.output_heads] return outputs ``` 在这个实例里，`output_sizes` 参数应该被设置成列表形式，其中包含了各个不同输出维度大小的信息。通过这种方式，可以根据具体的应用需求灵活调整模型结构[^1]。 为了训练这个模型，在损失函数的选择上也需要特别注意。如果存在不同类型的目标（例如既有类别又有连续值），那么可能需要组合不同的损失度量标准并加权求和作为最终优化目标的一部分。例如，交叉熵用于分类问题而均方误差适合数值型数据。 此外，当涉及到更复杂的任务时，像图卷积网络(Graph Neural Network) 或者序列到序列(Seq2Seq)框架下的LSTM编码解码机制[^2] 都是可以考虑采用的技术方案之一；而对于自然语言处理领域内的某些特定应用，则可能会倾向于使用 Transformer 架构及其变体[^3] 来完成多标签或多任务的学习过程。 #### 训练循环示例 这里给出一段简化版的训练代码片段供参考： ```python criterion_classification = nn.CrossEntropyLoss() # 假设第一个输出是分类任务 criterion_regression = nn.MSELoss() # 第二个输出为回归任务 for epoch in range(num_epochs): running_loss = 0.0 for inputs, labels_classify, targets_regress in dataloader: optimizer.zero_grad() predictions = model(inputs) loss_classify = criterion_classification(predictions[0], labels_classify) loss_regress = criterion_regression(predictions[1].squeeze(), targets_regress.float()) total_loss = loss_classify + alpha * loss_regress total_loss.backward() optimizer.step() ``` 上述代码展示了在一个批次的数据上传播过程中计算两个不同性质输出对应的损失，并将其相加以形成总的梯度更新依据的方法。这里的 `alpha` 是用来平衡两类子任务之间重要性的超参数。