假如我们只有正样本，模型在最开始训练的时候都是错误的，随着模型的迭代，准确率逐渐从0到1，最终将所有的样本都判别成正样本，也就是都在线的上方。
但真实的场景中有正有负，例如我们要做一个猫狗分类器，如果只给了猫的样本，那么分类器可能就是下面的样子

如果此时加入一堆狗的样本，模型会如何判别呢？把狗也判断成猫了。

加入负样本后，模型就可以知道不同类别之间的边界了，不会一股脑的把样本都识别成正的。

为什么会觉得不需要负样本呢？人类学习的过程中好像只需要指出正样本就可以了，例如交宝宝学习认识猫咪，你告诉他这是猫咪就可以，不需要再告诉他其他的样本，好像自然而然就可以学会。其实人类在学习的时候一直都会有负样本的，例如识别猫咪的时候，桌子，椅子可能就是负样本，等到后面认识小狗的时候，猫咪，桌子椅子可能就是负样本了。

多分类

二分类的时候类别只有两种，所有可以直接说正负样本。但是多分类的时候其实没有所谓的正负样本了。我们在使用softmax的时候，输入一个样本，这个样本会得到所有类别的概率，真实标签的概率为1，使用ce loss进行梯度下降更新。这个样本你无法说是正样本还是负样本了。

难负样本

在做点击率预估的时候，点击的商品作为正样本，未点击的商品作为负样本。样本变为<user feature, item feature, cross feature>。标签还是0和1，0表示未点击，1表示点击。理解成猫狗也并无不可。

in batch negative。使用nce loss的时候为什么会有男负样本一说呢？