一对多提供了一种利用二元分类的方法。假设某个分类问题有 N 个可能的解决方案，一对多解决方案就会包含 N 个单独的二元分类器，每个可能的二元分类器对应一个可能的结果。在训练期间，该模型会运行一系列二元分类器，并训练每个分类器回答单独的分类问题。例如，以一只狗的照片为例，可能会训练五个不同的识别器，其中四个将图片视为负例（非苹果、小熊等），一个将图片视为正例（狗）。具体来说：
- 这张图片是苹果吗？没有。
- 这张图片是熊吗？没有。
- 这张图片是糖果吗？没有。
- 此图片是狗吗？有。
- 这张图片是鸡蛋吗？没有。
当类别总数较少时，这种方法相当合理，但随着类别数量的增加，这种方法的效率会越来越低。
我们可以使用深度神经网络创建更高效的一对多模型，其中每个输出节点都代表一个不同的类别。下图建议了这种方法：
图 1. 一体化神经网络。