稍早，您遇到 二元分類 且能從兩個可能選項中擇一使用，例如：
- 指定的電子郵件為垃圾郵件或非垃圾郵件。
- 特定象徵很惡劣或無害。
在本節中，我們將調查 多元分類 這些模型可以從「多種」可能性中挑選。例如：
- 這隻狗是熊、獵犬或血獵犬嗎？
- 這朵花是西伯利亞伊里斯嗎？ 或矮鬍子？
- 請問是「Boeing 747」、「Airbus 320」、「Boeing 777」還是「Ebraer 190」？
- 這是蘋果、熊、糖果、狗或雞蛋的圖片嗎？
現實世界的多課問題有數百萬人選擇 分別建立不同的類別比方說，以多元分類模型為例 都能輕鬆辨識任何圖片
本節將詳細說明多元分類的兩個主要變化版本：
- one-vs.-all
- one-vs.-one，其通常稱為 softmax
單一或所有
「One-vs.-all」提供二元分類可用於二元分類 。
假設有 N 個可能的解決方案出現分類問題，則屬於「一體制」 解決方案包含 N 個獨立的二進位分類器，也就是一個二進位檔 每個可能結果的分類項。在訓練期間 通過一連串的二元分類器，訓練每個分類器回答 分類問題
以一張水果的圖片為例 可能會訓練出不同的辨識器，分別回答不同的是 問題：
- 這張圖片是蘋果嗎？
- 這張圖片是橘色嗎？
- 這張圖片是香蕉嗎？
- 這張圖片是葡萄紫嗎？
下圖說明實際的運作方式。
如果類別總數，這個方法相當合理 但類別數量越少，效率就越低 上升。
我們就能建立更有效率的全方位模型 這種模型搭配深層類神經網路，其中每個輸出節點都代表 類別下圖說明這個方法。
一對一 (softmax)
您可能已經注意到，圖 10 輸出層中的機率值 加總的值不會等於 1.0 (即 100%)。(實際上加總為 1.43)。單人駕駛 每個二進位結果集的可能性取決於 同時獨立處理其他資料集也就是挑選機率最高的 的「apple」與「not apple」相比也未考量到 水果選項：「橘色」、「珍珠」或「葡萄紫」。
不過，假設我們想預測每水果 我們該如何調整設計？在這個範例中，而不是預測「apple」而 「apple」，我們要預測「apple」對比「橘色」對「梨」而不是「葡萄紫」 這種多元分類稱為「一對一分類」。
我們可以使用相同類型的類神經元，實作一對一分類 用於單一分類，一項重大變更的網路架構。 我們必須將不同的轉換套用至輸出層。
針對 one-vs.-all，我們將 S 函數套用至每個輸出內容 分別產生 0 到 1 個節點的輸出值 ，但不保證這些值加總為 1。
針對 one-vs.-one，我們可以改為套用名為 softmax 的函式， 針對多重類別問題中的每個類別指派小數的機率， 所有機率加總等於 1.0。這項額外限制 讓訓練的收斂速度更快
下方圖片重新實作單類別、多類別分類 做為一道式任務請注意，為了執行 softmax， 位於輸出層 (稱為 softmax 層) 前方的 也就是與輸出層相同的節點數量
Softmax 選項
請參考下列 softmax 變化版本：
Full softmax 是我們先前討論的 softmax。也就是 softmax 會計算每個可能類別的機率。
候選樣本是指 softmax 會計算機率 但僅適用於隨機抽樣 排除標籤。舉例來說，如果我們想找出 無論輸入圖像是米格魯或血管，我們都不必 會提供每個非狗用範例的機率
如果類別數量不多，Full softmax 的成本很低 但會因為類別數量攀升而造成高成本 候選樣本有助於改善 類別數量
一個標籤與多個標籤
Softmax 假設每個範例都是單一類別的成員。 但有些範例可以同時屬於多個類別。 例如：
- 無法使用 softmax。
- 請務必依賴多重邏輯迴歸。
例如，上述圖 11 中的 one-vs.-one 模型假設每個輸入值都假設 只能描述一種水果類型：蘋果、橘子、梨子或 一顆葡萄不過，如果輸入圖片可能包含多種水果，例如 而一碗蘋果與柳橙；必須運用多種物流 迴歸模型