多任务学习顾名思义就是在某一进程中实现多个任务，举例来说，我们在看到一辆自行车时，会看到自行车的两个车轮，颜色，车辆标志，车辆形状，这基本都是在同一时间就可以获得的信息。而对于深度学习模型面对各式各样的需求，也需要一个模型能够实现多个任务。
首先介绍深度学习的两个简单的模型构建方式：
多任务学习基础的模型结构大致为：
（1）交替学习
交替学习的概念为模型存在共享层，但是在训练过程中是交替进行的，且损失函数和优化函数是独立的。例如给定一个选择比例（随机选择或者固定概率选择），让任务1的一个batch在此次进行训练，让任务2的一个batch在下次进行训练。
从图中可以看出，交替训练是损失函数并未相加，而是独立存在，因此只要使其能够在训练时实现交替训练。
交替训练适合对于每个任务都有不同的数据集，例如英语-德语和英语-法语，那么就可以使用。但是很明显的是交替训练会导致模型具有很大的偏向性，会使得模型偏向于数据量较大的任务。
（2）联合学习
联合训练的概念为在最终的输出中，将两个任务的损失函数相加，然后使用同一个优化函数，这样训练较快，且对于同一个数据集要求其输出有两个相关性的任务输出，联合学习是比较合适的；且联合学习对于任务具有一定的相关性是好处的。