为什么我们使用softmax和分类交叉熵作为激活函数和损失函数？

Softmax 函数和分类交叉熵损失函数在分类任务中常被使用，原因如下：

1. Softmax 函数：Softmax 函数将输入转化为表示概率分布的输出。在分类任务中，我们希望模型的输出表示各个类别的概率，Softmax 函数可以将模型的输出转化为概率分布。Softmax 函数具有以下特点：
- 将输入值映射到 (0, 1) 的区间，且所有输出值的和为 1，符合概率的定义。
- 可以放大较大的输入值并抑制较小的输入值，使得输出更加明确、鲁棒性更强。
- 具有可微性，可以方便地用于反向传播算法进行模型参数的更新。

2. 分类交叉熵损失函数：分类交叉熵损失函数用于衡量模型输出与真实标签之间的差异。在分类任务中，我们希望模型的输出概率分布与真实标签的概率分布尽可能接近。分类交叉熵损失函数具有以下特点：
- 可以衡量模型输出概率分布与真实标签的差异性，越小表示模型预测越准确。
- 在训练过程中，通过最小化分类交叉熵损失函数可以使模型的输出概率分布逼近真实标签的概率分布。
- 具有可微性，可以方便地用于反向传播算法进行模型参数的更新。

综上所述，使用 Softmax 函数作为激活函数和分类交叉熵损失函数作为损失函数可以使模型在分类任务中输出概率分布，并通过最小化损失函数来优化模型参数，使得模型能够更准确地进行分类。