更有效的多标签分类方法？
More efficient way to do multi-label classification?
假设您有一个常规的多重class class判断图像是否包含狗、猫或鸟。这是一个相对微不足道的（给定足够的数据）来解决。
如果您想在单个图像中组合狗、猫或鸟，这将是一个多标签问题。
对于少量可能的单个元素，创建包含所有可能组合的数据集并教神经网络识别组合似乎很容易。但是，如果您有一个大型数据集，其中可能包含 50 种可能的动物，并且单张图像中有 5 种以上的动物怎么办？
到那时会有太多的组合，甚至没有考虑到每个组合需要多张图片的事实。
有没有一种方法可以让 NN 学习，或许只识别每只动物，然后学习如何识别多只动物，因为它知道如何识别一只动物？
一个人可以训练 50 个神经网络，每只动物一个。
但通常在单个网络中，当每张图像只有一只动物时，您会使用 softmax 作为神经网络的最后一层。
在您描述的情况下，您只需替换最后一个 softmax（例如，用一个带有 sigmoid 激活函数的密集层），使您的网络能够独立预测每只动物的概率。
假设您有一个常规的多重class class判断图像是否包含狗、猫或鸟。这是一个相对微不足道的（给定足够的数据）来解决。
如果您想在单个图像中组合狗、猫或鸟，这将是一个多标签问题。
对于少量可能的单个元素，创建包含所有可能组合的数据集并教神经网络识别组合似乎很容易。但是，如果您有一个大型数据集，其中可能包含 50 种可能的动物，并且单张图像中有 5 种以上的动物怎么办？
到那时会有太多的组合，甚至没有考虑到每个组合需要多张图片的事实。
有没有一种方法可以让 NN 学习，或许只识别每只动物，然后学习如何识别多只动物，因为它知道如何识别一只动物？
一个人可以训练 50 个神经网络，每只动物一个。
但通常在单个网络中，当每张图像只有一只动物时，您会使用 softmax 作为神经网络的最后一层。
在您描述的情况下，您只需替换最后一个 softmax（例如，用一个带有 sigmoid 激活函数的密集层），使您的网络能够独立预测每只动物的概率。