深度学习中常提到的Softmax函数，用于把 logits层，即用于分类任务的神经网络的最后一层的输出logits, 取值范围为[-∞，+∞]，转换为 和为1的一组概率分布值。数学定义如下：
Softmax函数数学定义
Python代码实现(Numpy + TensorFlow实现比较)
import numpy as np
def softmax(x):
return np.exp(x) / np.sum(np.exp(x))
x = np.array([1.0,2.0,1.0])
y = softmax(x)
print(f"x: {x}; softmax(x):{y}; sum of y:{np.sum(y)}")
import tensorflow as tf
softmax = tf.keras.layers.Softmax()
Y = softmax(x)
print(f"x: {x}; softmax(x):{Y}; sum of y:{tf.math.reduce_sum(Y)}")
x: [1. 2. 1.]; softmax(x):[0.21194156 0.57611688 0.21194156]; sum of y:1.0
tensorflow/stream_executor/platform/default/dso_loader.cc:64] Could not load
2021-11-27 16:40:21.900741: I tensorflow/core/platform/cpu_feature_guard.cc:142] This TensorFlow binary is optimized with oneAPI Deep Neural Network Library (oneDNN) to use the following CPU instructions
in performance-critical operations: AVX AVX2
x: [1. 2. 1.]; softmax(x):[0.21194157 0.5761169 0.21194157]; sum of y:1.0000001192092896
其用途在于：
- np.exp()不管logits值为正负，全部预测结果转换为正数，这样有利于求和
- 对计算结果做归一化(normalization)，即所有概率值的和为1，有利于模型优化算法寻找最优解。
- 通过指数计算e,可以拉大不同种类之间的差异，例如，9和10之间的差异扩大为2.32554716e-01和 6.32149258e-01，差不多2.5倍。
