machine-learning - 进行多标签分类的更有效方法？

假设您对图像是否包含狗、猫或鸟有一个常规的多类分类。这是一个相对微不足道的问题（给定足够的数据）来解决。

如果你想在一张图片中组合一只狗、一只猫或一只鸟，这将是一个多标签问题。

对于少数可能的单个元素，创建包含所有可能组合的数据集并教 NN 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，并且在单个图像中超过 5 种呢？

那时会有太多的组合，甚至没有考虑到每个组合需要多个图像的事实。

神经网络有没有一种方法可以学习，也许，只识别每只动物，然后学习如何识别多种动物，因为它知道如何识别一种动物？

标签： machine-learningclassificationmultilabel-classification

一个人可以只训练 50 个神经网络，每只动物一个。

但通常在单个网络中，当每个图像只有一个动物时，您会使用 softmax 作为神经网络的最后一层。

在您描述的情况下，您可以替换最后一个 softmax（例如，通过具有 sigmoid 激活函数的密集层）以使您的网络能够独立地预测每只动物的概率。