softmax激活函数: , （x属于分类 j的概率）
用在多分类问题，输出的结果为和为 1的多个概率值
(该图为2分类, 代码是3分类, 原理都一样)
x: 输入数据， w: 权重值， a: 激活函数的缩写，即softmax激活函数
一：定义输入数据，这里使用了python语言和numpy包
维度[1, 5]
这里用最简单的线性模型：
二：随机生成五行三列的权重值
维度[5, 3]
三：定义 softmax函数并调用算出 3个概率值：
3个分类的概率值
得出三个概率值，概率之和为 1.
四：查看分类结果：
索引为2，因为是从0开始的，所以类别 3.
交叉熵 cross entropy: 这个就是 softmax对应的损失函数 loss function
这里 y是真实值比如 [1, 0, 0], 属于类别1，ai就是我们通过 softmax算出的概率值了
因为 y2, y3 都等于 0，所以结果就是 -ln(a1). 交叉熵越小越好
反向传播：
简单说下，假设我们求 w1的梯度，即 i=1，j又是什么呢，因为 softmax激活函数中，w1既可以出现在分子，也可以出现在分母，所以要分两种情况讨论，得出两种结果并不复杂，之后再用梯度下降更新即可，推导过程网上有很多，有兴趣可以自己上网找.
