您之前有遇到二元分類模型，可以在兩個可能的選擇中選擇，例如：
- 系統不會將特定電子郵件判定為垃圾郵件，
- 特定結果為惡意情緒或良性。
在本單元中，我們會調查多類別分類，可以從多種可能性中進行選擇。例如：
- 這隻狗是小兔子，還是一張獵犬或血獵犬？
- 這朵花是西伯利亞鳶尾花、荷蘭式鳶尾花、藍旗鳶尾花或矮人鳶尾花？
- 這個飛機是波音 747、Airbus 320、Boeing 777 或 Embraer 190 嗎？
- 這是蘋果、熊、糖果、狗或蛋的圖片嗎？
有些真實的多類別問題需要從數百萬個不同的類別中選擇。例如，假設某個類別分類模型可以識別幾乎任何地方的圖片。
多類別類神經網路
超過兩堂課嗎？
- 邏輯迴歸可以為二進位類別的問題提供實用的機率。
- 垃圾郵件數 / 非垃圾郵件數
- 點擊 / 非點擊
- 多類別問題呢？
- 蘋果, 香蕉, 汽車, 心臟科醫師, ..., 路標, 斑馬, 動物園
- 紅色、橘色、黃色、綠色、藍色、Indigo、暴力
- 動物、蔬菜、礦物
單人套票
- 為每個可能的類別建立不重複的輸出內容
- 根據「我的課程」信號和「所有其他類別」的信號訓練
- 可在深度網路或個別模型中執行
SoftMax 多類別
- 新增其他限制：要求所有 one-vs-all 節點的總和為 1.0
- 這項額外限制可協助訓練快速地融合
- 此外，系統也能將輸出內容解讀為機率
使用時機
- 多類別、單一標籤分類：
- 例如，只能有一個類別的成員。
- 限制互斥類別是很實用的結構。
- 有助於編碼損失。
- 針對所有可能的類別，使用一個 softmax 損失。
- 多類別、多標籤分類：
- 舉例來說，可以是多個類別的成員。
- 利用類別成員資格限制。
- 每個可能的類別都有一個邏輯迴歸損失。
SoftMax 選項
- Full SoftMax
- 強力；代表所有類別。
SoftMax 選項
- Full SoftMax
- 強力；代表所有類別。
- 候選人取樣
- 計算所有正數標籤時，僅用於隨機的負值取樣。