您的问题相对缺乏细节，所以我真正建议的是使用标准的卷积网络分类器。

您似乎遇到的问题是，大多数此类模型输出一个单热向量，即分类分布，对应于单个标签：，其中和是（并且只有标签）分配给输入的概率。通常这是通过为某些输入图像和神经网络计算的。$p=(p_1,\ldots,p_n)$$\sum_i p_i = 1$$p_i$$i$$i$$p = \text{SoftMax}(f_\theta(x))$$x$$f_\theta$

要更改它以处理多个标签，让，其中是将标签分配给输入的概率。您可以将每个视为对单个标签上的伯努利分布进行参数化。例如，您可以，其中是元素 sigmoid 函数。然后，您可以通过例如对每个分配标签，即，如果分配给，其中$q=(q_1,\ldots,q_m)$$q_i\in[0,1]$$i$$q_\ell$$q$$q = \sigma_E(f_\theta(x))$$\sigma_E$$x$$q_j$$k$$x$$x_k \geq T$$T$是一个超参数，可以是 0.5。

换句话说，使用 Github 上的分类器，将 softmax 替换为 elementwise sigmoid，将更改为，并使用您的训练数据；就是这样。$n$$m$

希望这就是你的意思。