我最近开始研究 ANN，我一直试图找出一些我似乎无法找到答案的东西（可能是因为它太琐碎或者因为我正在搜索错误的关键字。 .)。
您何时使用多个输出而不是单个输出？我猜在最简单的 1/0 分类情况下，它最容易使用“符号”作为输出激活函数。但是在哪种情况下你会使用多个输出？例如，如果您有一个多分类问题，那么您想将某物分类为例如 A、B 或 C，并且您为每个类选择 1 个输出神经元？你如何确定它属于哪个类？
【问题讨论】：
标签： neural-network classification
在分类上下文中，使用多个输出单元可能会有所帮助：多类分类和显式置信度估计。
对于多类情况，正如您在问题中所写，对于您感兴趣的每一类数据，您的网络中通常都有一个输出单元。因此，如果您尝试将数据分类为 A、B 之一或 C，您可以在标记数据上训练您的网络，但将所有“A”标签转换为 [1 0 0]，将所有“B”标签转换为 [0 1 0]，将“C”标签转换为 [ 0 0 1]。 （这称为"one-hot" encoding。）您可能还想在输出单元上使用logistic activation，以将它们的激活值限制在区间 (0, 1)。
然后，当您训练网络时，优化“交叉熵”损失（相对于更直观的欧几里德距离损失）通常很有用，因为您基本上是在尝试教您的网络输出给定输入的每个类别的概率。通常使用"softmax"（有时也称为玻尔兹曼）分布来定义这个概率。
如需了解更多信息，请查看http://www.willamette.edu/~gorr/classes/cs449/classify.html（理论性稍强）和http://deeplearning.net/tutorial/logreg.html（更多针对代码方面）。
多输出的另一个很酷的用途是使用一个输出作为标准分类器（例如，只有一个输出单元生成 0 或 1），第二个输出表示该网络对其分类的置信度输入信号（例如，在 (0, 1) 区间内生成值的另一个输出单元）。
如果您在每个 A、B 和 C 类数据上训练了一个单独的网络，但随后也将来自 D 类（或其他）的数据呈现给系统，这可能会很有用——在这个在这种情况下，您会希望每个网络都表明它们不确定输出，因为它们以前从未见过 D 类的东西。
【讨论】：
以 softmax 层为例。这一层的最大输出是你的班级。它有很好的理论依据。
简而言之：您获取前一层的输出并将其解释为 m 维空间中的向量。之后，您将 K 高斯拟合到它，它们共享协方差矩阵。如果你对它建模并写出方程，它就相当于 softmax 层。有关详细信息，请参阅 Kevin Murphy 的“机器学习。概率视角”。
这只是使用最后一层进行多类分类的一个例子。您也可以将多个输出用于其他用途。例如，您可以训练 ANN 来“压缩”您的数据，即计算一个从 N 维到 M 维空间的函数，以最大限度地减少信息丢失（这种模型称为自动编码器）
【讨论】：