我最近开始研究人工神经网络，有些东西我一直试图弄清楚我似乎无法找到答案（可能是因为它太琐碎或因为我在寻找错误的关键词。 ）。
何时使用多个输出而不是单个输出？我想在最简单的1/0分类情况下，最容易使用“符号”作为输出激活函数。但在哪种情况下你使用几个输出？例如，如果您有多重分类问题，那么您想要将某些内容分类为例如A，B或C，并为每个类选择1个输出神经元吗？你如何确定它属于哪个类？
答案 0 :(得分：5)
在分类环境中，有几种情况下使用多个输出单位可能会有所帮助：多类分类和显式置信度估计。
对于多类情况，正如您在问题中所写，您通常在网络中为您感兴趣的每类数据都有一个输出单元。因此，如果您尝试将数据分类为A，B之一或者C，您可以在标记数据上训练您的网络，但将所有“A”标签转换为[1 0 0]，将所有“B”标签转换为[0 1 0]，将“C”标签转换为[0 0 0] 0 0 1]。 （这称为"one-hot" encoding。）您也可能希望在输出单位上使用logistic activation将其激活值限制为区间（0,1）。
然后，当您训练网络时，优化“交叉熵”损失（而不是更直观的欧几里德距离损失）通常很有用，因为您基本上是在尝试教您的网络输出给定输入的每个类的概率。通常使用"softmax"（有时也称为Boltzmann）分布来定义这种概率。
有关详细信息，请查看http://www.willamette.edu/~gorr/classes/cs449/classify.html（稍微理论化）和http://deeplearning.net/tutorial/logreg.html（更多针对代码方面的内容）。
多输出的另一个很酷的用途是使用一个输出作为标准分类器（例如，仅生成0或1的一个输出单元），以及第二个输出以指示该网络在其分类中的置信度。输入信号（例如，在间隔（0,1）中生成值的另一输出单元）。
如果您在每个A，B和C类数据上训练了一个单独的网络，但随后也会在D类（或其他）中向系统提供数据，这可能很有用 - 在此例如，你希望每个网络都表明他们不确定输出，因为他们以前从未见过D类的东西。
答案 1 :(得分：2)
例如，看看softmax层。此图层的最大输出是您的类。它有很好的理论依据。
简明扼要：您可以获取前一层的输出并将其解释为m维空间中的向量。在那之后，你让K高斯适合它，它们共享协方差矩阵。如果您对其进行建模并写出方程式，则它等于softmax层。有关详细信息，请参阅Kevin Murphy撰写的“机器学习。概率视角”。
这只是使用最后一层进行多类分类的一个例子。你也可以使用多个输出来做其他事情。例如，您可以训练ANN来“压缩”您的数据，即计算从N维到M维空间的函数，最大限度地减少信息丢失（此模型称为自动编码器）