图像分类的细分任务

Dropout正则化、重叠池化（overlapping）、裁剪翻转与PCA颜色扰动等数据增强策略，可以提高模型的泛化能力。
图像分类根据标签的不同，大致可分为二分类任务、多分类任务、多标签分类任务。

二分类

数据集有两个类别，每张图片是两个类别中的一个，标签为0或1。比如，训练一个图像分类器，判断一张输入图片是否为鸟。
二分类的损失函数的计算方式如公式1所示，其中$h_{\theta }(x)$是sigmoid激活函数。激活函数是将数值变换到（0，1）之间，图展示了sigmoid函数，是递增的函数，当x等于0的时候，sigmoid函数的值为0.5，，随着x的增大，函数趋近1，随着x的减小，函数趋近0
L($\theta$)=-y$\log ($$h_{\theta }(x)$$)$-(1-y)$\log (1-$$h_{\theta }(x)$$)$
$h_{\theta }(x)$=$\frac{1}{1+e^{-}{\theta }^{T}x}$

多分类

数据集有C个类别，每张图片是个C类别中的一个，每张图片只有一个标签。比如，判断图片中的一个物体是鸟、人、狗、猫。
sigmoid的函数主要是在二分类中，而多分类的网络一般用softmax作为最后一层，输出为预测结果（每个的概率值），然后计算交叉熵损失，公式如4所示。

二分类和多分类的情况是限定了一张图片一个类别。

多标签分类

数据集有个c类别，每张图片可有多个标签，标签是来源于c个类别。比如：图片有多个物体，判断这些物体是鸟、人、狗、猫等。
二分类和多分类的情况是限定了一张图片一个类别。事实上，类别下面会有更细致的分类，图片里也会有多个物体，一张图片对应多个标签（一个标签表示一个物体），并且每张图片的标签数量是不固定的。当我们把标签看成相互独立，可以把多标签问题看成对每个标签的二分类。网络框架的最后一层是sigmoid激活函数，然后计算二分类的交叉熵损失，公式如5所示。