如何为Seq2Seq模型提供多个目标？

Question

我正在对MSR-VTT数据集进行视频字幕。

在此数据集中，我有10,000个视频，每个视频有20个不同的字幕。

我的模型由seq2seq RNN组成。编码器的输入是视频功能，解码器的输入是嵌入式目标字幕，解码器的输出是预测字幕。

我想知道使用几次相同标题不同标题的视频是否有用。

---

由于我找不到明确的信息，因此尝试对其进行基准测试

基准测试：

模型1：每个视频一个字幕

我在1108个运动视频中对其进行了训练，批量大小为5，超过60个时期。此配置每个时期大约需要211秒。

Epoch 1/60 ; Batch loss: 5.185806 ; Batch accuracy: 14.67% ; Test accuracy: 17.64%
Epoch 2/60 ; Batch loss: 4.453338 ; Batch accuracy: 18.51% ; Test accuracy: 20.15%
Epoch 3/60 ; Batch loss: 3.992785 ; Batch accuracy: 21.82% ; Test accuracy: 54.74%
...
Epoch 10/60 ; Batch loss: 2.388662 ; Batch accuracy: 59.83% ; Test accuracy: 58.30%
...
Epoch 20/60 ; Batch loss: 1.228056 ; Batch accuracy: 69.62% ; Test accuracy: 52.13%
...
Epoch 30/60 ; Batch loss: 0.739343; Batch accuracy: 84.27% ; Test accuracy: 51.37%
...
Epoch 40/60 ; Batch loss: 0.563297 ; Batch accuracy: 85.16% ; Test accuracy: 48.61%
...
Epoch 50/60 ; Batch loss: 0.452868 ; Batch accuracy: 87.68% ; Test accuracy: 56.11%
...
Epoch 60/60 ; Batch loss: 0.372100 ; Batch accuracy: 91.29% ; Test accuracy: 57.51%

模型2：每个视频12个字幕

然后，我训练了相同的 1108个体育视频，批次大小为64。
此配置每个时期大约需要470秒。

由于每个视频都有12个字幕，因此数据集中的样本总数为1108 * 12。
这就是为什么我采用此批处理大小（64〜= 12 * old_batch_size）的原因。因此，这两个模型启动优化程序的次数相同。

Epoch 1/60 ; Batch loss: 5.356736 ; Batch accuracy: 09.00% ; Test accuracy: 20.15%
Epoch 2/60 ; Batch loss: 4.435441 ; Batch accuracy: 14.14% ; Test accuracy: 57.79%
Epoch 3/60 ; Batch loss: 4.070400 ; Batch accuracy: 70.55% ; Test accuracy: 62.52%
...
Epoch 10/60 ; Batch loss: 2.998837 ; Batch accuracy: 74.25% ; Test accuracy: 68.07%
...
Epoch 20/60 ; Batch loss: 2.253024 ; Batch accuracy: 78.94% ; Test accuracy: 65.48%
...
Epoch 30/60 ; Batch loss: 1.805156 ; Batch accuracy: 79.78% ; Test accuracy: 62.09%
...
Epoch 40/60 ; Batch loss: 1.449406 ; Batch accuracy: 82.08% ; Test accuracy: 61.10%
...
Epoch 50/60 ; Batch loss: 1.180308 ; Batch accuracy: 86.08% ; Test accuracy: 65.35%
...
Epoch 60/60 ; Batch loss: 0.989979 ; Batch accuracy: 88.45% ; Test accuracy: 63.45%

这是我的数据集的直观表示：

---

我如何解释这个结果？

当我手动查看测试预测时，模型2的预测看起来比模型1的预测更准确。

另外，我对Model 2使用的批处理大小为64。这意味着，通过选择较小的批处理大小可以获得更好的结果。似乎我没有更好的模式1训练方法，因为批处理量已经很小

另一方面，模型1具有更好的损失和训练准确性结果。

我应该得出什么结论？
模型2是否会不断用新的字幕覆盖以前训练过的字幕，而不是添加新的字幕？

Answer 1

不确定我是否理解正确，因为我只使用像 yolo 这样的神经网络，但这是我的理解：\n您正在训练一个网络来为视频添加字幕，现在您想为每个视频训练多个字幕，对吧？我想问题是您正在用新的标题覆盖以前训练的标题，而不是添加新的可能的标题。

\n\n

您需要从一开始就训练所有可能的字幕，但不确定您的网络架构是否支持这一点。\n使其正常工作有点复杂，因为您需要将输出与所有可能的字幕进行比较。另外，您可能需要使用 20 个最有可能的标题作为输出，而不是仅使用一个标题来获得最佳结果。 \nI\xc2\xb4m 担心我可以 \xc2\xb4t 做的不仅仅是提供这个想法，因为我不是 \xc2\xb4t能够找到好的来源。

\n