用神经网络进行图像分类时，为什么输出层的神经单元数量要跟分类数相同？

1.卷积层和FC层的简单理解

全连接层（FC）在整个卷积神经网络中起到“分类器”的作用。如果说卷积层、池化层和激活函数层等操作是将原始数据映射到隐层特征空间的话，全连接层则起到将学到的“分布式特征表示”映射到样本标记空间的作用。

在实际使用中，全连接层可由卷积操作实现：对前层是全连接的全连接层可以转化为卷积核为1x1的卷积；而前层是卷积层的全连接层可以转化为卷积核为hxw的全局卷积，h和w分别为前层卷积结果的高和宽。

2.最后一层FC

在上面的讲解中我们可能对FC有了一些简单的理解，在对图像分类中FC的作用类似于分类器，不同的编码方式和激活函数会对分类有不同的影响。

编码方式为one-hot：在最后一层FC中也是需要激活函数的，有Sigmoid函数，Softmax函数。不同的激活函数对于分类有不同的含义，如果模型输出为非互斥类别，且可以同时选择多个类别，则采用Sigmoid函数计算该网络的原始输出值。如果模型输出为互斥类别，且只能选择一个类别，则采用Softmax函数计算该网络的原始输出值。

决定神经元个数的有以下几种：（除非特别说明，用的都是one-hot编码）

1. 如果采用的是回归对结果类别进行分类，那么只需要一个神经元就可以了。也不像前面说的，用回归代替分类效果就会变差的，这个其实和数据集本身分布是有关系的，如果数据集每个类别本身分布差别就很大，那么用分类比回归好，但是如果数据集每个类别本身分布差别很小，完全可以用回归来代替分类的。具体问题需要具体分析。
2. 与输出的编码(encoding)方式有关，如果是one-hot encoding，就满足条件，一个类别代表一个类，一个类需要一个分类器，一个分类器需要一个神经元。不过你也可以二进制的方式来输出分类结果，比如00，01，10，11代表不同的四类，这个时候你只需要两个能输出的0和1的神经元就可以代表四个类别啦。
3. 前面也有人回答，编码方式是one-hot，类别为2时，sigmoid只需要一个神经元，如果score比较大，那么他就是正样本一类，如果score比较小，那么他就是负样本一类，这个时候需要设置一个阈值来决定哪一个是正样本哪一个是负样本。Sigmoid也可以用两个神经元来预测，每一个神经元预测它属于正或者负样本的概率。softmax其实就相当于多个逻辑函数的组合，一个逻辑函数用于一类，n类用n个逻辑函数，也就是n个神经元。