多分类问题为什么用softmax函数和交叉熵损失

1、损失函数是用来度量预测的效果：

这句话的意思是，预测效果好不好，我们需要用一个函数来度量，或者更直接一点，需要一个数来表示一下，例如0.9比0.8要好，而损失函数就是计算得到0.9还是0.8的函数。

2、交叉熵损失通过量化预测概率与真实概率分布之间的差异：

直白一些，就是有一个事真实概率分布是某个，我们又可以计算得出某个预测概率，计算这两个之间的距离的一种方式就是交叉熵H（P，Q），就是两个概率分布之间的距离的一种计算方式

3、softmax函数通常用于将一个向量（或一组实数）映射为一个概率分布

4、那么多分类问题的解决逻辑是，给每个类别都计算一个数，这样就得到了所有类别的一组数，用softmax将这组数映射为一个概率分布（被认为是预测的概率分布），然后用交叉熵来计算这个预测的概率分布与真实概率分布（用标签来表示）之间的距离，根据这个距离的反馈来计算梯度，更新参数，以使得这个距离变短，也就是损失函数变小，当损失函数很小时，我们认为这个任务被解决的比较好！

5、所以，多分类问题被变成了一个概率分布函数拟合问题！度量拟合效果的就是交叉熵损失，当然，也可以用其他的损失函数。