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，法拉利等）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，但我不明白这样做能做多标签分类吗？
我的第二个问题是：是否有可能考虑到某些类完全独立？
第三，在表现方面（准确性和给新图像分类的时间），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：）
答案 0 :(得分：1)
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。没有理由将目标向量限制为单个较大的值，对于多标记，您可以为适用的每个标签使用1.0目标。但是在这种情况下，对输出层使用softmax会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 - 组合网络比两个独立的网络表现更好。当网络布局存在差异时，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。