我想将输入分类为三种可能性之一。使用 3 个网络（每个网络有一个输出）还是 1 个网络（每个网络有 3 个输出）更好？
（即 3 个网络输出0 or 1或 1 个输出长度为 3 的单热向量的网络[1,0,0]
答案是否会根据输入数据分类的复杂程度而变化？
在多少输出量下才有意义对网络进行划分（如果有的话）？比如我想分成20组，有什么区别吗？
我想说使用具有多个输出的单个网络更有意义。
主要原因是隐藏层（我假设您至少有一个隐藏层）可以解释为将数据从原始空间（特征空间）转换为更适合任务（分类）的不同空间在你的情况下）。例如，当训练网络从原始像素识别人脸时，它可能会使用一个隐藏层首先根据像素检测简单的形状，例如小线条，然后使用另一个隐藏层根据像素检测简单的形状，例如眼睛/鼻子。来自第一层的线条等（它可能并不完全像这样“干净”，但这是一个易于理解的示例）。
网络可以学习的这种转换通常对于分类任务很有用，无论特定示例属于什么类别。例如，无论实际图像是否包含面部，都能够检测图像中的眼睛是有用的；如果你确实检测到两只眼睛，你可以将其分类为人脸，否则你将其分类为不是人脸。在这两种情况下，你都在寻找眼睛。
因此，通过分成多个网络，您最终可能会在所有网络中学习非常相似的模式。那么你不妨节省自己的计算量，只学一次。
分成多个网络的另一个缺点是，您可能会导致数据集变得不平衡（或者如果已经不平衡则更加不平衡）。假设您有三个类，每个类正好有 1/3 的数据集。如果您使用三个网络来执行三个二元分类任务，那么您突然总是有 1/3 个“1”类和 2/3 个“0”类。然后，网络可能会偏向于预测各处的 0，因为这些是三个独立问题中每个问题中的大多数类别。
请注意，这都是基于我的直觉；如果您有时间，最好的解决方案就是简单地尝试这两种方法并进行测试！不过，我认为我在实践中从未见过有人使用多个网络来执行单个分类任务，因此，如果您只有时间采用一种方法，我建议您使用单个网络。
我认为使用多个网络真正有意义的唯一情况是，如果您实际上想要预测多个不相关的值（或者至少是不强相关的值）。例如，如果给定图像，您想要 1) 预测图像上是否有狗，2) 它是照片还是绘画。那么最好使用两个各有两个输出的网络，而不是一个有四个输出的网络。
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)
