我正在PyTorch中训练一个具有不同输出的模型，我有四个不同的位置(以米为单位(、旋转(以度为单位(和速度损失，以及模型必须预测的布尔值0或1
AFAIK，有两种方法可以在此处定义最终损失函数：
一-损失的天真加权和
two-每个损失的定义系数，以优化最终损失。
所以，我的问题是，如何更好地衡量这些损失，以正确地获得最终损失？
这不是关于编程的问题，而是关于多目标设置中的优化。你所描述的两个选项可以归结为相同的方法，即损失项的线性组合。然而，请记住，还有许多其他方法具有动态损失加权、不确定性加权等。在实践中，最常用的方法是线性组合，其中每个目标都获得通过网格搜索或随机搜索确定的权重。
您可以查阅这项关于多任务学习的调查，其中展示了一些方法：密集预测任务的多任务学习：调查，Vandenhende等人，T-PAMI'20。
这是一条积极的研究路线，因此，你的问题没有确切的答案。
这是一个有趣的问题。正如@lvan所说，这是一个多目标优化问题。
多损失/多任务如下：
l(theta) = f(theta) + g(theta)
l是total_loss，f是类损失函数，g是检测损失函数。
不同的损失函数具有不同的刷新率。随着学习的进展，两个损失函数的下降速度是非常不一致的。通常一个下降得非常快，另一个下降的速度非常慢。
有一篇论文专门讨论这个问题：
利用不确定性衡量场景几何和语义损失的多任务学习
本文的主要思想是估计每个任务的不确定性，然后自动减少损失的权重。
我不是以英语为母语。希望你能理解我的回答并帮助你。