1、多类分类和多标签分类的区别
多标签分类： 一个样本可以属于多个类别（或标签），不同类之间是有关联的，比如一个文本被被划分成“人物”和“体育人物”两个标签。很显然这两个标签不是互斥的，而是有关联的
多类分类： 一个样本属于且只属于多个分类中的一个，一个样本只能属于一个类，不同类之间是互斥的，比如一个文本只能被划分成“人物”，或者被划分成“文化”，而不能同时被划分
成“人物”和“文化”，“文化”和“人物”这两个分类就是互斥的
2、用softmax做多分类和多标签分类
现假设，神经网络模型最后的输出是这样一个向量logits=[1,2,3,4], 就是神经网络最终的全连接的输出。这里假设总共有4个分类
用softmax做多分类的方法：tf.argmax(tf.softmax(logits))
首先用softmax将logits转换成一个概率分布，然后取概率值最大的作为样本的分类这样看似乎，tf.argmax(logits)同样可以取得最大的值，也能得到正确的样本分类，这样的话softmax似乎作用不大 那么softmax的主要作用其实是在计算交叉熵上，首先样本集中y是一个one-hot向量，如果直接将模型输出logits和y来计算交叉熵，因为logits=[1,2,3,4]，计算出来的交叉熵肯定很大，这种计算方式不对，而应该将logits转换成一个概率分布后再来计算,就是用tf.softmax(logits)和y来计算交叉熵，当然我们也可以直接tensorflow提供的方法sofmax_cross_entropy_with_logits来计算这个方法传入的参数可以直接是logits，因为这个根据方法的名字可以看到，方法内部会将参数用softmax进行处理现在我们取的概率分布中最大的作为最终的分类结果，这是
多分类我们也可以取概率的top几个，作为最终的多个标签，或者设置一个阈值，并取大于概率阈值的。
这就用softmax实现了多标签分类。
3、用sigmoid做多标签分类
sigmoid一般不用来做多类分类，而是用来做二分类的; 它是将一个标量数字转换到[0,1]之间，如果大于一个概率阈值(一般是0.5)，
则认为属于某个类别，否则不属于某个类别。
那么如何用sigmoid来做多标签分类呢？
其实就是针对logits中每个分类计算的结果分别作用一个sigmoid分类器，分别判定样本是否属于某个类别。同样假设，神经网络模型最后的输出是这样一个向量logits=[1,2,3,4], 就是神经网络最终的全连接的输出。
这里假设总共有4个分类 tf.sigmoid(logits) sigmoid应该会将logits中每个数字都变成[0,1]之间的概率值，
假设结果为[0.01, 0.05, 0.4, 0.6],然后设置一个概率阈值，比如0.3，如果概率值大于0.3，则判定类别符合，那这里，样本会被判定为类别3和类别4都符合。