在PyTorch中處理多任務學習通常有兩種方法：

1. 使用多個輸出層：在模型的最后添加多個輸出層，每個輸出層對應一個任務。然后在損失函數中對每個任務的損失進行加權求和，可以根據任務的重要性來設置不同的權重。這種方法比較直觀，但需要注意每個任務的數據標簽需要保持一致。

class MultiTaskModel(nn.Module):
    def __init__(self):
        super(MultiTaskModel, self).__init__()
        self.shared_layers = nn.Sequential(
            nn.Linear(100, 50),
            nn.ReLU()
        )
        self.task1_output = nn.Linear(50, 10)
        self.task2_output = nn.Linear(50, 5)

    def forward(self, x):
        x = self.shared_layers(x)
        output1 = self.task1_output(x)
        output2 = self.task2_output(x)
        return output1, output2

model = MultiTaskModel()
criterion = nn.CrossEntropyLoss()

output1, output2 = model(input)
loss = 0.5 * criterion(output1, target1) + 0.5 * criterion(output2, target2)

2. 共享部分特征提取器：使用一個共享的特征提取器來提取輸入數據的特征，在特征提取器后分別連接不同的任務輸出層。這種方法可以有效地共享模型的參數，減少訓練時間和防止過擬合。

class SharedFeatureExtractor(nn.Module):
    def __init__(self):
        super(SharedFeatureExtractor, self).__init__()
        self.layers = nn.Sequential(
            nn.Linear(100, 50),
            nn.ReLU()
        )

    def forward(self, x):
        return self.layers(x)

class MultiTaskModel(nn.Module):
    def __init__(self):
        super(MultiTaskModel, self).__init__()
        self.shared_feature_extractor = SharedFeatureExtractor()
        self.task1_output = nn.Linear(50, 10)
        self.task2_output = nn.Linear(50, 5)

    def forward(self, x):
        x = self.shared_feature_extractor(x)
        output1 = self.task1_output(x)
        output2 = self.task2_output(x)
        return output1, output2

model = MultiTaskModel()
criterion = nn.CrossEntropyLoss()

output1, output2 = model(input)
loss = 0.5 * criterion(output1, target1) + 0.5 * criterion(output2, target2)

無論采用哪種方法，都需要根據任務的不同設置不同的損失函數，并且根據實際情況調整不同任務之間的權重。