多標籤 V/S 多分類

多類分類(Multiclass classification):表示分類任務中有多個類別, 比如對一堆水果圖片分類, 它們可能是橘子、蘋果、梨等. 多類分類是假設每個樣本都被設定了一個且僅有一個標籤: 一個水果可以是蘋果或者梨, 但是同時不可能是兩者

1. 每個例項僅分配一個類別
2. 使用softmax系列損失函式 softmax是張量中向量與向量間的運算。其中labels引數的shape=（None,num_classes），即one-hot表示。輸出是shape=（None,）的交叉熵向量，即None個概率向量對的交叉熵構成的向量。

多標籤分類(Multilabel classification):

給每個樣本一系列的目標標籤. 可以想象成一個數據點的各屬性不是相互排斥的(一個水果既是蘋果又是梨就是相互排斥的), 比如一個文件相關的話題. 一個文字可能被同時認為是宗教、政治、金融或者教育相關話題. 1. 每個例項可以分配多個類別 2. 使用sigmoid系列損失函式 sigmoid是張量中標量與標量間的運算。求的是兩點分佈B（1,z）和兩點分佈B（1，σ$\sigma$）之間的交叉熵。若sigmoid的labels和logits是相同shape的張量，輸出結果則是與labels和logits有相同shape的張量。張量的每個元素都是labels和logits相對的值 按上述方法計算出來的交叉熵。