本篇文章探讨了大数据技术之使用Keras实现多输出分类：用单个模型同时执行两个独立分类任务，希望阅读本篇文章以后大家有所收获，帮助大家对相关内容的理解更加深入。

如何让一个网络同时分类一张图像的两个独立标签？多输出分类可能是你的答案。已经推出了两个图像搜索引擎（ID My Pill 和 Chic Engine）的 Adrian Rosebrock 近日发布了一份教程，介绍了使用 Keras 和 TensorFlow 实现「服装种类+颜色」多输出分类的详细过程。机器之心编译介绍了该教程。

之前我们介绍了使用 Keras 和深度学习的多标签分类（multi-label classification）。今天我们将讨论一种更为先进的技术——多输出分类（multi-output classification）。

所以，这两者之间有何不同？你怎样才能跟得上这各项技术？

尽管这两者有些混淆不清（尤其是当你刚入门深度学习时），但下面的解释能帮你区分它们：

• 在多标签分类中，你的网络仅有一组全连接层（即「头」），它们位于网络末端，负责分类。

• 但在多输出分类中，你的网络至少会分支两次（有时候会更多），从而在网络末端创建出多组全连接头——然后你的网络的每个头都会预测一组类别标签，使其有可能学习到不相交的标签组合。

你甚至可以将多标签分类和多输出分类结合起来，这样每个全连接头都能预测多个输出了！

如果这开始让你感到头晕了，不要担心——这篇教程将引导你通过 Keras 透彻了解多输出分类。实际做起来会比预想的更轻松。

话虽如此，这项深度学习技术还是比之前介绍的多标签分类技术更先进。如果你还没有阅读那篇文章，一定要先看看。

读完那篇文章之后，你应该就已经能使用多个损失函数训练你的网络并从该网络获取多个输出了。接下来我们介绍如何通过 Keras 使用多个输出和多个损失。

在这篇文章中，我们将了解如何通过 Keras 深度学习库使用：

• 多个损失函数

• 多个输出

正如前面提到的，多标签预测和多输出预测之间存在区别。

使用多标签分类时，我们使用一个全连接头来预测多个类别标签。

但使用多输出分类时，我们至少有两个全连接头——每个头都负责执行一项特定的分类任务。

我们甚至可以将多输出分类与多标签分类结合起来——在这种情况下，每个多输出头也会负责计算多个标签！

你可能已经开始觉得有些难以理解了，所以我们不再继续讨论多输出分类和多标签分类的差异。接下来走进项目里看看吧！我相信本文中所给出的代码能帮你理清这两个概念。

本文由职坐标整理发布，学习更多的相关知识，请关注职坐标IT知识库！