示例：我在工作描述中有这样一句：“英国的Java高级工程师”。

我想使用一个深度学习模型将其预测为两个类别：English和IT jobs。如果使用传统的分类模型，它只能在最后一层使用softmax函数预测一个标签。因此，我可以使用两个神经网络模型来预测这两个类别的“是”/“否”，但如果类别更多，这样做成本太高。那么，有没有深度学习或机器学习模型可以同时预测两个或多个类别呢？

“编辑”：使用传统方法处理3个标签时，它们会被编码为[1,0,0]，但在我的情况下，它们会被编码为[1,1,0]或[1,1,1]。

示例：如果我们有3个标签，并且一个句子可能符合所有这些标签。那么，如果softmax函数的输出是[0.45, 0.35, 0.2]，我们应该将其分类为3个标签、2个标签，还是1个标签呢？

我们这样做时遇到的主要问题是：将一个句子分类为1个、2个或3个标签的合适阈值是多少？

回答：

如果您有n个可以同时为真的不同类别，请在输出层设置n个输出，并使用sigmoid激活函数。这将使每个输出独立地获得0到1之间的值。

您的损失函数应该是输出负对数似然的平均值。在TensorFlow中，这表示为：

linear_output = ...  # 应用激活函数前的输出层
loss = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(    logits=linear_output, labels=correct_outputs))
output = tf.sigmoid(linear_output)  # 每个类别的0到1的值