pytorch 数据集大小不同的两个二元分类网络模型和一个多元分类网络模型联合训练代码

下面是一个简单的代码示例，演示如何使用 PyTorch 训练一个同时处理大小不同的二元分类和多元分类任务的模型：

import torch
import torch.nn as nn
from torch.utils.data import DataLoader, Dataset

# 定义数据集类
class MyDataset(Dataset):
    def __init__(self, data, labels):
        self.data = data
        self.labels = labels
    
    def __getitem__(self, idx):
        x = self.data[idx]
        y1 = self.labels[0][idx]  # 第一个二元分类任务的标签
        y2 = self.labels[1][idx]  # 第二个二元分类任务的标签
        y3 = self.labels[2][idx]  # 多元分类任务的标签
        return x, y1, y2, y3
    
    def __len__(self):
        return len(self.data)

# 定义模型类
class MyModel(nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()
        self.fc1 = nn.Linear(10, 1)  # 第一个二元分类任务的全连接层
        self.fc2 = nn.Linear(20, 1)  # 第二个二元分类任务的全连接层
        self.fc3 = nn.Linear(30, 5)  # 多元分类任务的全连接层
    
    def forward(self, x1, x2, x3):
        out1 = torch.sigmoid(self.fc1(x1))
        out2 = torch.sigmoid(self.fc2(x2))
        out3 = self.fc3(x3)
        return out1, out2, out3

# 准备数据
data1 = torch.randn(100, 10)
data2 = torch.randn(100, 20)
data3 = torch.randn(100, 30)
labels1 = torch.randint(0, 2, (100,))
labels2 = torch.randint(0, 2, (100,))
labels3 = torch.randint(0, 5, (100,))
dataset = MyDataset([data1, data2, data3], [labels1, labels2, labels3])
loader = DataLoader(dataset, batch_size=10)

# 创建模型、损失函数和优化器
model = MyModel()
criterion1 = nn.BCELoss()  # 二元分类任务的损失函数
criterion2 = nn.CrossEntropyLoss()  # 多元分类任务的损失函数
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

# 训练模型
for epoch in range(10):
    for x, y1, y2, y3 in loader:
        out1, out2, out3 = model(x[:, :10], x[:, 10:30], x[:, 30:])  # 将输入按照不同任务的输入特征分开
        loss1 = criterion1(out1.squeeze(), y1.float())  # 计算第一个二元分类任务的损失
        loss2 = criterion1(out2.squeeze(), y2.float())  # 计算第二个二元分类任务的损失
        loss3 = criterion2(out3, y3)  # 计算多元分类任务的损失
        loss = loss1 + loss2 + loss3  # 将三个任务的损失相加
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()
        print(f"Epoch {epoch + 1}, Loss {loss.item():.4f}")

在这个示例中，我们定义了一个数据集类 `MyDataset`，它接收三个不同形状的输入数据和三个不同的标签，分别对应两个二元分类任务和一个多元分类任务。我们还定义了一个模型类 `MyModel`，它有三个全连接层，用于处理不同任务的输入数据，并输出相应的结果。在训练循环中，我们将输入数据按照不同任务的输入特征分开，并分别计算每个任务的损失。最后，将三个任务的损失相加，得到总的损失，并更新模型的参数。