sigmod 函数与softmax 函数对比

sigmod 函数与softmax 函数之间既有类似，又有差异，是两种典型的深度神经网络的activation functions。通俗而言，sigmod 函数常用于二分类，softmax 函数常用于多分类。两者都起到了压缩的作用。

sigmoid函数（也叫逻辑斯谛函数）

引用wiki百科的定义：

A logistic function or logistic curve is a common “S” shape (sigmoid curve).

　　其实逻辑斯谛函数也就是经常说的sigmoid函数，它的几何形状也就是一条sigmoid曲线。

logistic曲线如下：

softmax 函数

同样，我们贴一下wiki百科对softmax函数的定义：

softmax is a generalization of logistic function that “squashes”(maps) a K-dimensional vector z of arbitrary real values to a K-dimensional vector σ(z) of real values in the range (0, 1) that add up to 1.

这句话既表明了softmax函数与logistic函数的关系，也同时阐述了softmax函数的本质就是将一个K
维的任意实数向量压缩（映射）成另一个K

维的实数向量，其中向量中的每个元素取值都介于（0，1）之间。

softmax函数形式如下：
　　
总结：sigmoid将一个real value映射到（0,1）的区间（当然也可以是（-1,1）），这样可以用来做二分类。
而softmax把一个k维的real value向量（a1,a2,a3,a4….）映射成一个（b1,b2,b3,b4….）其中bi是一个0-1的常数，然后可以根据bi的大小来进行多分类的任务，如取权重最大的一维。
参考：
https://www.cnblogs.com/charlesblc/p/6750290.html
http://blog.csdn.net/u014422406/article/details/52805924