如何为 Seq2Seq 模型提供多个目标？

Question

我正在 MSR-VTT 数据集上制作视频字幕。

在这个数据集中，我有 10,000 个视频，每个视频都有 20 个不同的字幕。

我的模型由一个 seq2seq RNN 组成。编码器的输入是视频特征，解码器的输入是嵌入的目标字幕，解码器的输出是预测的字幕。

我想知道多次使用带有不同字幕的相同视频是否有用。

---

由于找不到明确的信息，我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 个运动视频上训练了它，批量大小为 5，超过 60 个 epoch。此配置每个 epoch 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 个运动视频，批量大小为 64。
此配置每个 epoch 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。
这就是我采用这个批量大小（64 ~= 12*old_batch_size）的原因。所以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。

此外，我为模型 2 使用了 64 的批量大小。这意味着我可以通过选择更小的批量大小来获得更好的结果。看来我无法为模式 1 提供更好的训练方法，因为批量大小已经非常低了

另一方面，模型 1 有更好的损失和训练准确度结果...

我应该得出什么结论？
Model 2 是否会不断用新的字幕覆盖之前训练的字幕，而不是添加新的可能字幕？

Answer 1

不确定我是否理解正确，因为我只使用过像 yolo 这样的神经网络，但这是我的理解： 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字幕覆盖您之前训练的字幕，而不是添加新的可能字幕。

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。 让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。此外，您可能需要使用 20 个最有可能的字幕作为输出，而不仅仅是一个，以获得最佳结果。 恐怕我只能提供这个想法，因为我找不到好的来源。