机器学习与深度学习（七）：softmax分类器

我们已经知道了用得分值来衡量一个模型的好坏，但是分类的换得分值转换成概率值更加直观。

sigmoid函数可以将输入的一个实数映射到0——1区间上。下图中，输入值x的范围为正负无穷（相当于任意实数），y为0~1（相当于转换为概率值）。

概率值属于正确类别的概率越趋近于1，预测效果越好，损失值越趋向于0，等于正确类别的概率越低，预测效果越差，损失值越大。这个趋势符合-log（）在0~1区间上的变化。因此我们用-log（）作为损失函数。

由于max函数无法作更细致的区分，错误类别的得分和正确得分的差别不大。因此我们一般不适用。
而softmax通过e的x次幂的操作将x变换，将大的值更大，稍微大的值不那么大，再映射为概率值。再传入到-log（）函数，必定会有一个损失函数值传出。