Neural network 多输出分类神经网络如何工作？

我目前了解并制作了一个简单的神经网络来解决XOR问题。我想做一个用于数字识别的神经网络。我知道使用MNIST数据，我需要784个输入神经元，15个隐藏神经元和10个输出神经元（0-9）

然而，我不明白网络是如何训练的，前馈是如何与多个输出神经元协同工作的

例如，如果输入是数字3的像素，网络将如何确定拾取哪个输出神经元，以及在训练时，网络如何知道哪个神经元应与目标值关联

---

任何帮助都将不胜感激

所以您有一个多输出的分类问题。我假设您正在为输出层使用softmax激活函数

网络如何确定选取哪个输出神经元：简单，目标类概率最大的输出神经元

网络将使用标准反向传播进行训练，与仅使用一个输出的算法相同

只有一个区别：激活功能。 对于二进制分类，您只需要一个输出（例如，数字0和1，如果概率<0.5，则类为0，否则为1）

---

对于多类分类，每个类都需要一个输出节点；然后网络将选择最有可能成为目标类的节点。

Awesome！如果我在输出层使用sigmoid函数，它还会工作吗？如果是，它会如何工作？如果不是，为什么它不起作用？它会起作用的。基本上，如果使用softmax函数，输出层上的概率总和将始终为1。如果你使用一个sigmoid函数，这种情况并不总是发生。这是在多类分类中，softmax优于sigmoid的主要原因之一。啊，对了，谢谢你的帮助，它非常有用。而且我假设输入只对应一个类。如果您的输出是独立的（即输入可以同时对应多个类），那么最好使用sigmoid。在您的情况下，输入只能是一个类。