最开始接触的机器学习问题就是 “ Is this a cat or not ” ，这是极具有代表性的一个二分类问题（Binary or binomial classification），二分类体现在数据的标签上就是0/1，一张图片作为输入X，对于监督学习而言，他的标签Y就是一个数字0/1，后面讲到的例子若不特殊说明都是监督学习。

多分类问题(Multiclass classification)就是不仅仅只有一个类别，比如识别手写数字的例子，这里的标签Y就是一个ONE-HOT形式的向量，长度为10，每个位置分别对应（0-9），只有一个位置上的值为1，其他都是0，并且这张图片代表的数字就是为1位置对应的数字（0-9中的一个）。

再举一个例子，自动驾驶系统中需要使用对象检测，假如现在只需要检测以下四种类别（行人，汽车，障碍物，停车标识），可以认为这个例子中其实有四项二分类任务，有没有行人？有没有汽车？有没有障碍物？有没有停车标识？
如果要实现这项检测，可以训练四个模型来分别识别这些东西，可能四个模型听起来还可以接受，但是真正自动驾驶要检测的对象是很多的，对每个对象构建一个检测模型是不可取的，这时候就用到多任务学习（Multi-Task Learning ），他可以使用一个模型去学习四件事情。构建每张图片对应的标签为一个四维列向量，每个位置对应一种类别，1表示有0表示没有。

这里的标签和上面识别手写数字的标签都是n维列向量，区别在于 后者是one-hot，前者不是。我的理解是，这里就是区别多分类问题和多任务问题的关键点！多任务是可以割裂开来的，而多分类问题不行。其实如果理解到位，多分类和多任务压根不是一回事，多分类是分类问题的一种形式，多任务是一种机器学习的手段和方法。

再看一个例子，翻译工具，假设现在要训练一个模型，可以实现将英语翻译为意大利语和西班牙语，可以发现这里对应的其实是两个数据集，（英语-意大利语），(英语-西班牙语）。并且模型的输入的一样的，输出是法语。那同样的大可以训练两个翻译模型分别翻译两种语言，但是面对世界上那么多种语言，设计很多种模型效率实在低。注意这个例子和上面提到的对象检测例子又有区别，因为对象检测只有一个输出，而这个例子有对应两种输出。

可以理解为是多任务学习在应用到具体的事例中的不同变种，我看到一门tensorfow教程中一位老师将这两种方式分别称为联合训练和交替训练，搜索这两种训练模式很多博客上用的图片也和这位老师的图片一致，但我在谷歌搜索的时候并没有明确文献解释这两种模式，姑且就这样理解吧，以后发现有问题在改正。

强烈欢迎指正！