(资料图片)
在二分类问题中，我们常用sigmoid函数作为激活函数，但是由于sigmoid在自变量x离0较远时曲线过于平滑，在深度神经网络中可能会出现梯度消失的情况，需要选择一个新的函数来替代。
a表示每一层的输出值，z表示每一层的输入值，二者之间需要经过激活函数σ的运算，在这a（l）（k）表示最终的输出值，l层一共有i个感知机，a（l）就是一个i维向量，k表示第k个样本数据。J函数就是损失函数。
多分类问题中，输出层的每个感知机输出的值表示对应分类的概率值大小，一定大于等于0，并且和为1，组合到一起就是一个i维的a（l）（k）的向量。
softmax函数如上所示，首先保证没个输出值都大于等于0 ，使用以e为底的指数函数形式，然后在进行归一化处理就是softmax的函数了。
与softmax函数相比来说，sigmoid更像是一种特殊形式，只有一个分类情况下的特殊形式，并且由于梯度消失的问题，现在一般逐渐选择softmax函数至少作为输出层的激活函数使用。
以下为单分类与多分类的情况对比，激活函数分别使用sigmoid和softmax。
单分类问题中使用的sigmoid函数，就是把t2=1为常量，形式上与softmax保持一致。从损失函数等式上看二者基本上一样，但是二者本质上是不一样的，第一个是0/1问题，不同的输入对应着y1的大小发生变化，而第二个是多分类问题，不同的输入对应的是y1和y2一起产生变化。
数值上相同，但对应不同的问题模型。
