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，并且对于每个视频，我都有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。

我想知道是否多次使用相同的带有不同字幕的视频是否有用。

---

由于找不到明确的信息，因此我尝试对其进行基准测试

基准：

模型1：每个视频一个字幕

我在1108个体育视频中对其进行了培训，该视频的批次大小为5，超过60个纪元。此配置每个周期大约需要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 1108个体育视频，批量大小为64。
此配置每个周期大约需要470秒。

由于每个视频都有12个字幕，因此我的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器的次数相同。

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：

---

我怎么解释这个结果？

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。

此外，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，因为批量已经很小了

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？
Model 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

由于我只使用了yolo之类的神经网络，所以不确定我是否正确理解了这一点，但这是我的理解： 您正在训练一个网络来字幕视频，现在您想为每个视频训练几个字幕，对吗？我想问题是您正在用新的字幕覆盖以前训练的字幕，而不是添加新的字幕。

您需要从一开始就训练所有可能的字幕，但是不确定网络架构是否支持此字幕。 使它正常工作有点复杂，因为您需要将输出与所有可能的字幕进行比较。同样，您可能需要使用20个最有可能的字幕作为输出，而不是仅使用一个以获得最佳结果。 恐怕我只能提供这种想法，因为我找不到很好的消息来源。