标题可能没讲清楚，举个例子吧。
在MNIST数据集中，使用CNN提取图像特征后送入FC层输出（batch_size, 10）大小的矩阵，第二个维度10代表着10个类别。可是这10个类别分别代表什么类别呢？如果说这个矩阵从左到右代表着0—9还好理解，那又是什么保证了这10个种类一定是0—9的顺序呢？但如果是一些其他数据要怎么判断它的类别顺序呢？
好像大家没有太理解这个意思，再举一个例子吧
CIFAR100是一个图像分类的数据集，假设batch_size为1，我们经过卷积和全连接后得到一个（1，100）大小的矩阵，这100个数分别对应着每一个类的概率（或置信度），那这100个类分别是哪些类呢？
首先 把一百类图像用1-100个数代表（标签化），例如：狗-1，猫-2
这样训练时输入的数据是（batch_size为2），数据[狗，猫]，标签[1，0 ；0， 1]
最后的全连接层的输出会接一个softmax，这样会将输出值变为概率化的值，即每个分量都>=0，分量和为1.
如果是100类，那么会是一个有100个分量的向量，每次输出的最大的分量的位置（注意是位置），就是预测到的类
感谢回复，其实我就是好奇你一开始说的 狗-1，猫-2 是如何定义的？
如果我定义成 猫-1 狗-2 是不是也可以呢？如果可以的话应该怎么去定义这么个东西
我理解训练集里标注怎么对应，预测就怎么对应。
每次更新权重都是让输出的标签值更接近标注的标签值。
因为训练集的标签就是给狗打的1，给猫打的2。反过来也可以的
点赞～
可以的 随便怎么定义都可以 标签顺序是人为的
只不过大家用的通用数据集都是清洗好的数据，标签都已经给标注好了，所以大家都直接按照那个顺序来
如果是自己采集数据集，随意排序无所谓的，猫狗鸡和鸡狗猫没区别
其他数据，也要看标注的类别顺序，判断输出的类别顺序。
反过来说，如果把MINST数据集的标注修改一下，所有8的图片都标注成1000000000，
那么训练得到的模型推理结果第一个结点score最高时，就表示预测结果为8，而不是原来的0了。
有监督方法都是用输入固定的。聚类那样的无监督类别就是随机对应了
我开始尝试infogan的时候就纳闷，为什么生成0～9手写数字时离散的latent code与数字的不是对应的～～
而且每次还不一样
后来理解，这个是半监督学习，潜空间编码只是对应了10类，具体对应哪一类是随机的
训练集只是标注了每个样本的特征和标签，例如
img1——“5”
img2——“3”
img3——“2”
这些样本与样本之间的值都是离散的，对于样本自己来说，他们确实都有自己的标签，但是在全连接层中对于所有的类别，又是怎么确定的呢？
明白了！！！！！！！！！
数据集定义的时候其实已经给样本打上固定的标签了。我还卡在这里困惑很久~~
就是这个意思，懂了~
有时候学着学着真的就绕进去了。。跟大家交流一下马上豁然开朗
顺序应该是随意的吧，在我们人脑里是猫狗，在电脑里只是两组不同数据
刚才也有点给我搞蒙了
我还以为另有道理～～
嗯，对softmax来说，训练就是就是不断更新权重，以让模型将输入的像素映射为输出的标签值
我就把模型想象成一把尺，用这把尺去量各种图片，如果量对了，说明尺准，如果量得不对，就看量大了还是量小了（通过梯度判断），然后就把尺的刻度（权重）改大改小。就是这么回事，哈哈
好像大家没有太理解这个意思，再举一个例子吧
CIFAR100是一个图像分类的数据集，假设batch_size为1，我们经过卷积和全连接后得到一个（1，100）大小的矩阵，这100个数分别对应着每一个类的概率（或置信度），那这100个类分别是哪些类呢？
首先 把一百类图像用1-100个数代表（标签化），例如：狗-1，猫-2
这样训练时输入的数据是（batch_size为2），数据[狗，猫]，标签[1，0 ；0， 1]
最后的全连接层的输出会接一个softmax，这样会将输出值变为概率化的值，即每个分量都>=0，分量和为1.
如果是100类，那么会是一个有100个分量的向量，每次输出的最大的分量的位置（注意是位置），就是预测到的类
感谢回复，其实我就是好奇你一开始说的 狗-1，猫-2 是如何定义的？
如果我定义成 猫-1 狗-2 是不是也可以呢？如果可以的话应该怎么去定义这么个东西
我理解训练集里标注怎么对应，预测就怎么对应。
每次更新权重都是让输出的标签值更接近标注的标签值。
因为训练集的标签就是给狗打的1，给猫打的2。反过来也可以的
点赞～
可以的 随便怎么定义都可以 标签顺序是人为的
只不过大家用的通用数据集都是清洗好的数据，标签都已经给标注好了，所以大家都直接按照那个顺序来
如果是自己采集数据集，随意排序无所谓的，猫狗鸡和鸡狗猫没区别
其他数据，也要看标注的类别顺序，判断输出的类别顺序。
反过来说，如果把MINST数据集的标注修改一下，所有8的图片都标注成1000000000，
那么训练得到的模型推理结果第一个结点score最高时，就表示预测结果为8，而不是原来的0了。
有监督方法都是用输入固定的。聚类那样的无监督类别就是随机对应了
我开始尝试infogan的时候就纳闷，为什么生成0～9手写数字时离散的latent code与数字的不是对应的～～
而且每次还不一样
后来理解，这个是半监督学习，潜空间编码只是对应了10类，具体对应哪一类是随机的
训练集只是标注了每个样本的特征和标签，例如
img1——“5”
img2——“3”
img3——“2”
这些样本与样本之间的值都是离散的，对于样本自己来说，他们确实都有自己的标签，但是在全连接层中对于所有的类别，又是怎么确定的呢？
明白了！！！！！！！！！
数据集定义的时候其实已经给样本打上固定的标签了。我还卡在这里困惑很久~~
就是这个意思，懂了~
有时候学着学着真的就绕进去了。。跟大家交流一下马上豁然开朗
顺序应该是随意的吧，在我们人脑里是猫狗，在电脑里只是两组不同数据
刚才也有点给我搞蒙了
我还以为另有道理～～
嗯，对softmax来说，训练就是就是不断更新权重，以让模型将输入的像素映射为输出的标签值
我就把模型想象成一把尺，用这把尺去量各种图片，如果量对了，说明尺准，如果量得不对，就看量大了还是量小了（通过梯度判断），然后就把尺的刻度（权重）改大改小。就是这么回事，哈哈