Machine learning 在识别手写数字时，为什么我们应该在输出层使用10个神经元，而不是4个神经元？

我已经阅读了第1章，在一个简单的分类网络中，你可以用ctrl-f搜索手写数字，我发现了一个很好的问题：为什么我们应该在输出层使用10个神经元，而不是4个神经元

---

对于4个神经元，每个神经元的值为0或1，然后表示2^4=16>10。那么，为什么我们不在输出层使用4个神经元呢？

每个输出神经元负责一个数字。输出神经元i共10个神经元返回概率[0,1输入数字是i。这样，当您将每个数字用作2^4的示例中的位时，您知道每个数字的概率分布，而不仅仅是单个输出。

每个输出神经元负责单个数字。输出神经元i总共10个神经元将返回概率[0,1输入数字是i。这样，当您将每个数字用作2^4的示例中的位时，您可以知道每个数字的概率分布，而不仅仅是单个输出。

@serhiyb是正确的。通过计算每个可能的类的logit，您可以使用交叉熵损失，它会根据置信度按比例惩罚错误。即mi高置信度的SCL分类比低置信度的错误分类损失更大。此模型性能度量优于准确性。@serhiyb是正确的。通过计算每个可能的类的登录，您可以使用交叉熵损失，它根据置信度按比例惩罚错误。即错误分类w与低置信度的错误分类相比，高置信度的错误分类会带来更大的损失。这种模型性能的度量比准确度更好。