同化器：用于分类和回归任务的神经网络架构

在机器学习的背景下，同化器是一种神经网络架构，旨在执行分类和回归任务。 “同化器”一词是由 Google 的研究人员创造的，他们开发了这种架构，将传统分类模型（例如逻辑回归）的优势与深度神经网络的功能相结合。

同化器背后的关键思想是使用单个神经网络来执行分类和回归任务，而不是为每个任务使用单独的模型。这使得模型能够学习可用于两种类型预测的数据的共享表示，从而提高性能和更有效的训练。同化器架构由两个主要组件组成：分类分支和回归分支。分类分支通常是一个带有 softmax 输出层的全连接神经网络，该输出层生成可能类别的概率分布。回归分支也是一个全连接的神经网络，但它没有输出层，因此可以用来预测连续值，例如产品的价格。

在训练期间，同化器被端到端地训练，使用分类和回归损失函数的组合。这使得模型能够学习对这两个任务都有用的数据的共享表示，同时还允许它专门处理每个任务的特定要求。同化器的一个优点是它比训练单独的模型更有效分类和回归，因为它只需要学习一组参数。此外，同化器学习到的共享表示可用于其他任务，例如聚类或异常检测。