Neural network 多类目标检测：nx（1对全部）还是1x（N对全部）？

我正在使用神经网络进行多类分类。假设我有10个目标类和一个空的非上述目标类。我为每个目标分别训练一个神经网络，每个网络目标（非目标）有两个输出神经元，这样我在上述情况下需要10个单独的神经网络，还是一个11个输出10个目标，1个其他的神经网络更好？我曾在不同的论文中看到人们使用这两种方法中的任何一种，但没有解释，但在理论上，对每个目标类使用单独的网络是否有优势？相对于替代方法，计算开销成本是否值得获得收益

提前谢谢

---

p.S.1当然，在这两种方法中，训练示例的分布严重偏向非目标的其他类，2假设NN的输出层具有softmax激活。

有几种方法可以潜在地解决这样的问题：

使用单独的类输出训练单个网络

这种方法可能是训练和设计最快的方法，其输出数量等于所需的类输出数量。另一方面，您需要确保训练集中的每个类都有足够的案例，以防止神经网络优先于其他类。此外，该网络不会像下一个案例那样专门针对个别班级

培训专门从事某一特定课程的网络

在这种情况下，N个神经网络将被训练成可能有一半正确和一半错误的情况。每个神经网络将使用测试数据进行评估，并根据每个单独网络的输出选择一个类别。训练和训练数据的预处理大约要多N倍，但总体上准确度也有可能提高。计算成本是否因精度的提高而合理取决于设计者，但您通常应该看到一种改进

构建一个模块化的神经网络，在密切相关的类组上进行训练

在这里，您可以潜在地将10个组分成两组，每组5个，这取决于哪个神经网络被认为最适合测试用例。在这里，您可以训练一个网络来分配一个专家神经网络，训练另外两个网络来估计特定的类。这是上述两者之间的一种中间点

---

还有许多其他方法也可以奏效，但基于上述问题，我想到的主要三种方法。

我不确定这里包含的是什么编程问题。看起来更像是一个计算机科学理论问题。特别是在什么方面更好？当然，在泛化误差方面，性能更好。