您可以通过用 sigmoid 激活替换 softmax 并使用二元交叉熵而不是分类交叉熵作为损失函数来实现这种多标签分类。然后，您只需要一个具有与标签一样多的输出单元/神经元的网络。

您需要将损失更改为二元交叉熵，因为分类交叉熵仅从正目标的预测中获得损失。要理解这一点，请查看一个示例的分类交叉熵损失的公式（类索引为）：$i$$j$

$L_i = - \sum_j{t_{i,j} \log(p_{i,j})}$

在正常的多类设置中，您使用 softmax，因此正确类的预测直接依赖于其他类的预测。如果将 softmax 替换为 sigmoid，则不再正确，因此训练中不再使用这就是为什么您需要更改为二进制交叉熵，它同时使用正例和负例： $t_{i,j}=0$$L_i=-\sum_j{t_{i,j} \log(p_{i,j})} -\sum_j{(1 - t_{i,j}) \log(1 - p_{i,j})}$