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。
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。
sigmoid函数：
那么对应的对数图像是：
我们要做的是分类，因此当然是想知道，当输入x是，x分别属于每一个类的概率，概率最大的那个就是我们认为的属于的类。
让输出为一个向量，并且有k维，分别代表属于i类的概率。当然还要进行归一化，让输出的向量元素的值和为1.
因此就是对输出进行归一化。
softmax模型的参数是k个n+1维的θ组成的矩阵，输出的是向量。
