我目前正在研究多标签分类，我有一些问题（我找不到明确的答案） .
为了清楚起见，我们举一个例子：我想对车辆（汽车，公共汽车，卡车......）及其制造（奥迪，大众，法拉利......）的图像进行分类 .
所以我考虑训练两个独立的CNN（一个用于“类型”分类，一个用于“make”分类）但我认为可能只在所有类上训练一个CNN .
我读到人们倾向于使用sigmoid函数而不是softmax来做到这一点 . 据我所知，sigmoid并不像softmax那样总结为1，但我不明白在做什么这样可以做多标签分类？
我的第二个问题是：是否有可能考虑到某些类是完全独立的？
三，在表现（准确性和给新图像分类的时间）方面，是不是更好地训练两个独立的？
感谢那些能给我一些答案或一些想法的人:)
1 回答
Softmax是一种特殊的输出功能;它强制输出向量具有单个大值 . 现在，训练神经网络的工作原理是计算输出向量，将其与目标向量进行比较，然后反向传播误差 . 有's no reason to restrict your target vector to a single large value, and for multi-labeling you' d为每个适用的标签使用1.0目标 . 但在这种情况下，对输出层使用softmax将导致输出和目标之间出现意外差异，然后反向传播差异 .
对于第二部分：定义目标向量;你可以编码你喜欢的任何类型的依赖 .
最后，没有 - 一个组合网络比两个独立的网络表现更好 . 当网络布局不同时，您只能并行运行两个网络，例如：常规的NN和CNN并行可能是可行的 .