我打算建立一個具有多個輸出層結構的神經網絡。更具體地說，它被設計用來在一系列卷積層之上構建並行程序。一個分支是計算分類結果（softmax-like）;另一個是獲得迴歸結果。然而，我堅持設計模型以及選擇損失函數（標準）。火炬實現多輸出層神經網絡
I.我應該使用火炬容器nn.Parallel()或nn.Concat()作爲位於頂層的分支圖層（nn.Sequential()）嗎？除數據格式外，什麼是差異。
二，由於輸出數據，分類損失函數和迴歸損失函數應線性組合。我想知道是否nn.MultiCriterion()或nn.ParallelCriterion()被確定的容器。或者我必須自定義一個新的標準類。
三，任何做過類似工作的人都可以告訴我，火炬是否需要額外的定製來實施反向訓練。我擔心火炬容器的數據結構問題。
Concat VS Parallel不同之處在於在Concat每個模塊獲取最後一層作爲輸入的整個輸出，而Parallel每個輸入需要的最後一層的輸出的一個切片。出於您的目的，您需要Concat，而不是Parallel，因爲這兩個丟失功能需要將您的順序網絡的整個輸出。
根據MultiCriterion和ParallenCriterion的源代碼，他們做了幾乎相同的事情。重要的區別是，在MultiCriterion的情況下，您提供了多個損失函數，但只有一個目標，它們都是針對該目標進行計算的。假設你有一個分類和一個迴歸任務，我假設你有不同的目標，所以你需要ParallelCriterion(false)，其中false啓用多目標模式（如果參數是trueParallelCriterion似乎表現爲與MultiCriterion相同）。然後target預計成爲個別標準的目標表。
如果您使用Concat和ParallelCriterion，割炬應該能夠爲您正確計算梯度。這兩者都實現updateGradInput，它正確地合併各個塊的梯度。