神经网络 高维空间的理解

首先，先看一下在分割问题中，最常见的one-hot编码直观上是如何进行的，以及是怎样进行preds的
下图（图一），是常见的ground-truth分割图，一共有两个类别（背景可以作为0，不单独作为一个类别）

如果想进行cross-entropy计算损失函数等，就需要对图一的label进行one-hot编码，直观上会变成下图所示（图二）

然后，我们的图片经过神经网络，训练好之后，输出的预测值就会如下图所示（图三）

那么下面，假设有两个class，然后图片的格式是(2,3)即height=rows=2，width=cols=3。
根据一般dense prediction，输出格式类似于：(batch_size, 2, 3, 2)
下面为了简便，省略batch_size这个维度，变成（2，3，2）
假设图片在class0与class1上的预测值分别为

#preds values at class0
0.1 0.3 0.1
0.2