此專案目的為比較單模型與多模型分類能力，單模型指模型計算後將會輸出每個類別的機率，如mnist手寫數字數據集，單模型將會輸出0~9各個數字的機率。多模型則是每個類別都會有一個模型，每個類別的模型將會輸出一個機率，該機率表示為資料屬於該類別的機率。

單模型的優點為訓練容易、模型容易設計，缺點為若新增類別，必須重新訓練模型。多模型則是新增類別容易，只需訓練新類別的模型即可，但缺點訓練不易，模型不易設計。

專案使用的資料來源於The MNIST database of handwritten digits，此數據集擁有60000筆訓練資料，10000筆測試資料，下為模型效能。

單模型：
    Train set accuracy:  0.9561999999999999
    Test set accuracy:  0.9524999999999999

多模型：
    Model 0
    Train set accuracy:  0.9667878656554713
    Test set accuracy:  0.9724489795918367
    Model 1
    Train set accuracy:  0.9864106391121318
    Test set accuracy:  0.9911894273127754
    Model 2
    Train set accuracy:  0.9422190675017398
    Test set accuracy:  0.935077519379845
    Model 3
    Train set accuracy:  0.9214397877984085
    Test set accuracy:  0.9257425742574258
    Model 4
    Train set accuracy:  0.9458202692003167
    Test set accuracy:  0.9501018329938901
    Model 5
    Train set accuracy:  0.9387309580364213
    Test set accuracy:  0.9394618834080718
    Model 6
    Train set accuracy:  0.9646585330428468
    Test set accuracy:  0.9618997912317327
    Model 7
    Train set accuracy:  0.9644073781291173
    Test set accuracy:  0.9576848249027238
    Model 8
    Train set accuracy:  0.8811261261261262
    Test set accuracy:  0.893223819301848
    Model 9
    Train set accuracy:  0.9187818756585879
    Test set accuracy:  0.9103072348860257
    Total model train set accuracy: 0.8889333333333332
    Total model test set accuracy: 0.8952

模型由2層全連接層組成，使用LeakyReLU和Sigmoid作為激活函數，並使用Dropout降低過度凝合(over fitting)增加泛化能力。

單模型：
    單模型使用訓練集中所有資料做訓練共60000筆資料，每個類別平均6000筆資料，因此不會正負類別不平衡的問題。

多模型：
    由於多模型屬於二元分類，會遇上類別不平衡的問題，例如，在類別0的模型中正類別(數字0)約有6000筆資料，負類別(除數字0以外的數字)約有54000，因此必須對訓練資料做隨機採樣，隨機採樣可分為上採樣(oversampling)和下採樣(undersampling)。
    
    上採樣為對樣本少的類別做採樣並生成新的樣本，由於是對少數樣本採樣並生成新的樣本，因此容易導致過度凝合。下採樣則是對樣本多的類別做隨機抽取並組成新的樣本集，這麼做容易捨去有用的資訊，造成整體訓練資料量
    不足，導致模型效能不佳。
    
    在本專案中使用下採樣技術解決類別不平衡的問題。

單模型：
    給予資料，模型便會計算並輸出所有類別的機率，從中選擇機率最大值，並輸出該類別。

多模型：
    多模型與單模型的預測非常相似，不同之處在於資料必須經過所有的模型計算後，才可得到所有的類別機率，最後在選擇機率最大值輸出該類別。