softmax用于多分类过程中，它将多个神经元的输出，映射到（0,1）区间内，可以看成概率来理解。
假设我们有一个数组，V，Vi表示V中的第i个元素，那么这个元素的softmax值就是：
具体示例如下图：
softmax直白来说就是将原来输出是3,1,-3通过softmax函数一作用，就映射成为(0,1)的值，而这些值的累和为1（满足概率的性质），那么我们就可以将它理解成概率，在最后选取输出结点的时候，我们就可以选取概率最大（也就是值对应最大的）结点，作为我们的预测目标。
softmax相关求导
神经元结构如下图：
神经元的输出：
损失函数 Loss function
损失函数可以有很多形式，这里用的是交叉熵函数，主要是由于这个求导结果比较简单，易于计算，并且交叉熵解决某些损失函数学习缓慢的问题。交叉熵的函数是这样的：
推导过程
链接：https://www.zhihu.com/question/23765351
https://blog.csdn.net/qian99/article/details/78046329