神經網絡解決多類分類問題的本質是把原分類問題分解為一類對其他類（one-vs-all）的二類分類問題
在二分類中要把標簽設置為（0，1），在多分類問題中要把標簽設置為ont-hot標簽，也就是（0，0，1，0）此類的格式，1表示屬於某個類。
分類和回歸的損失函數：
分類二分類采用binary_crossentropy,最后一層激活函數選擇sigmoid，
優點：
1.Sigmoid函數的輸出映射在(0,1)之間，單調連續，輸出范圍有限，優化穩定，可以用作輸出層。
2.求導容易。
缺點：
1.由於其軟飽和性，容易產生梯度消失，導致訓練出現問題。
2.其輸出並不是以0為中心的。
函數圖如下：
多分類采用交叉熵，categorical_crossentropy,最后一層激活函數選擇softmax
多分類代碼可以參考這篇博客的：
https://www.cnblogs.com/arkenstone/p/5943489.html?utm_source=itdadao&utm_medium=referral
回歸問題采用mean_squared_error（一般情況）,與分類問題不同，回歸問題解決的是對具體數值的預測。
這些問題需要預測的不是一個事先定義好的類別，而是一個任意實數。解決回歸問題的神經網絡一般只有一個輸出節點，這個節點的輸出值是預測值。
