一次只學習一個任務，大部分機器學習都屬於單任務學習。
多任務學習：把多個相關的任務放在一起學習，同時學習多個任務。
對於復雜的問題，可以分解為簡單的相互獨立的子問題來解決，然后再合並結果，得到最初復雜問題的結果。這樣是錯誤的。因為現實中很多問題都不能分解成一個一個獨立的問題，就算可以分解，子問題之間還是相互關聯的，通過一些共享因素聯系在一起。多任務學習是把多個任務之間共享一些因素，在學習的過程中共享他們所學到的信息，有更好的泛化效果。（多個任務的淺層共享）。
定義
基於共享表示，把多個相關的任務放在一起學習的機器學習方法。
多個相關任務同時並行學習，梯度同時反向傳播，多個任務通過底層的共享表示、互相補充學習到的領域相關的信息，互相幫助學習任務，提升泛化效果。
作用
為什么能提高學習效果？
1、噪聲
多個相關的任務放在一起學習，有相關的部分，也有不相關的部分。當學習一個任務時候，和這個任務不相關的信息就相當於是噪聲，引入噪聲可以調高泛化效果。
2、逃離局部最優解
單任務學習時，梯度的傳播容易陷入局部極小值。但是多任務學習中的不同任務的局部極小值處於不同位置，通過相互作用，可以幫助逃離局部極小值；
3、權值更新
改變了權值更新的動態特性，比如多任務並行學習，提升了淺層共享層的學習速率；
4、泛化
可能削弱了網絡的能力，降低了網絡的過擬合，提升了泛化效果；