数据的标签不是互斥的，因此您不能说这是一对多的问题，因为输出向量中可能有多个条目。此外，如果看到的应该有一个苹果或梨，这可以被认为是一个详尽的问题，这意味着每个输入都应该发生其中一个。

我的观点是，对于这个问题，您不必创建新的成本函数。对于互斥部分，正如您真正所说的那样，对于向量的第二部分，众所周知的cross-entropy成本函数将表现良好。我想问题是别的。对于互斥类的问题，我们使用soft max 层作为神经网络的最后一层，而对于类不互斥的情况，您可以将sigmoid其用作激活函数。在您将它们组合在一起的情况下，我建议您采用另一种方法：

将您的互斥部分更改为二进制输出，这意味着如果相应的条目小于一半，您可以理解它是例如一个苹果，否则它是另一个类。其余的，只需保持输出向量不变。sigmoid如果你使用神经网络，最后使用激活函数作为最后一层。