Grâce à l’apprentissage conjoint des différentes tâches dans les réseaux profonds multi-tâches, de nombreuses applications ont montré des performances prometteuses par rapport à l’apprentissage mono-tâche. Toutefois, les performances du cadre d’apprentissage multi-tâche dépendent fortement des poids relatifs attribués à chaque tâche. La détermination des poids de chaque tâche constitue une question cruciale dans l’apprentissage multi-tâche. Au lieu de régler manuellement ces poids, une approche fastidieuse et chronophage, nous proposons dans cet article une méthode permettant d’ajuster dynamiquement les poids des tâches en fonction de leur difficulté d’apprentissage. Plus précisément, la méthode proposée ne fait pas appel à d’hyperparamètres, et sa structure simple permet à d’autres réseaux d’apprentissage profond multi-tâches de facilement implémenter ou reproduire cette approche. Nous démontrons l’efficacité de notre méthode sur la reconnaissance faciale avec expression faciale, ainsi que sur la reconnaissance d’expressions faciales à partir d’une seule image d’entrée, en s’appuyant sur des réseaux de neurones convolutifs (CNNs) à apprentissage multi-tâche profond. L’analyse théorique ainsi que les résultats expérimentaux confirment l’efficacité de la méthode proposée d’apprentissage multi-tâche dynamique. Ce cadre d’apprentissage multi-tâche à poids dynamiques améliore également les performances sur différentes tâches par rapport aux méthodes de pointe basées sur l’apprentissage mono-tâche.