One 與 All 是利用二元分類法的一種方法。由於 NN 可能的解決方案有分類問題,因此單例測試完全由 N 個不同的二進位檔分類器組成,每個結果都有一個二進位檔分類器。在訓練期間,模型會透過一系列二元分類器執行訓練,各自訓練答案來回答一個不同的分類問題。舉例來說,在犬隻的圖片中,訓練了五種不同的辨識器,分別為四張不同的辨識器,而另四個圖像為負面示例 (非蘋果、非熊等),並看到的圖片是正面範例 (狗)。也就是:
- 這是這張圖片嗎?不會。
- 這張圖片是否為熊?不會。
- 這張圖片是糖果嗎?不會。
- 這張圖片是狗嗎?有的
- 這張圖片是一顆蛋嗎?不會。
當類別總數較小,但隨著類別數量增加,這類做法的效率會逐漸降低,則這種做法相當合理。
我們可以利用深層類神經網路,建立更有效率的一對多模型,其中每個輸出節點代表不同的類別。下圖說明這種做法:
圖 1. 通用的類神經網路。