我想制作一个可以对属性而不是类别进行分类的模型。
例如，当我输入这张图片时
我的模型输出 ‘这件家具具有[棕色，4条腿，布料面]’
我使用了预训练的ResNet，但效果不佳。
所以我尝试创建一个新模型，但无法定义标签值
我认为使用独热编码无法达到我的目标。
我该如何实现呢？
给我一些建议…
回答：
你认为这可能不适用于独热编码是正确的，让我们看看你还有哪些选择。
选项1：仍然使用独热编码
如果你希望你的模型仅输出有限数量的属性，并且这些属性是非重叠的，你可以有k个独热编码的输出层。
例如，如果你有颜色、腿的数量、材料这些属性，它们永远不会重叠。你可以让你的模型为每张输入图像预测一个颜色、腿的数量和一种材料。这些可以用3个独热编码向量表示和学习。
优点：
- 通常更容易训练
- 不会有冲突的预测
缺点：
- 需要分离类别
选项2：不使用softmax，sigmoid万岁
如果你使用sigmoid激活函数而不是softmax（我假设你正在使用softmax），每个输出节点都是独立于其他输出节点的。这样，每个输出都会给出自己的概率可能性。
在这种情况下，你的标签不是独热编码的，而是二进制向量，具有可变数量的1和0。
你不会寻找最大概率，而是很可能想要设定一个阈值概率，即在评估时，将所有概率大于80%的输出作为预测标签。
优点：
- 不需要手动分离属性（因为我们将每个类别视为彼此独立）
- 易于表示可变数量的属性
缺点：
- 从数学上讲，以及根据经验，这通常更难训练
- 有可能（而且坦白说，很可能会）得到冲突的预测，即你的神经网络可能同时输出
4条腿和3条腿。你需要处理这些情况。
这实际上取决于个人偏好，以及你处理的数据类型。如果你能以一种方式选择属性，使神经网络能够清楚地分离选项，比如颜色和材料（假设你不能有两种颜色或两种材料），那么第一个选项可能是最好的。
还有其他几种方法可以解决这个问题，但这些似乎是最相关的。
