对于分类问题，我们可以将其简单分为二分类和多分类。

二分类

Sigmoid函数

对于二分类问题，我们可以使用Sigmod函数（又称Logistic函数）。将实数范围内的数值映射成为一个[0,1]区间的数值，一个[0,1区间的数值恰好可以用来表示概率。
函数形式为：

函数图像如下：

参考1
参考2
参考3

多分类

Softmax函数

Softmax是一种激活函数，它可以将一个数值向量归一化为一个概率分布向量，且各个概率之和为1。Softmax可以用来作为神经网络的最后一层，用于多分类问题的输出。Softmax层常常和交叉熵损失函数一起结合使用。

公式如下：

其中Z是一个向量，Zi和Zj是其中的一个元素。
e的zi次幂 也可以写成exp（zi）

所以softmax函数可以是将输入的的数值转化为0到1之间的数值来表示概率，且所有输出节点概率累加为1。

引入指数函数

通过e的指数图像我们可以看到：
1、可以把输入为负数的值转为正数；
2、指数函数曲线呈递增趋势，斜率逐渐增大，这样x轴上很小的变化反映到y轴可以看到很大的变化，所以它可以将差距大的值拉的更大。

缺点：指数函数的曲线斜率逐渐增大虽然能够将输出值拉开距离，但是也带来了缺点，当输入的数值非常大的话，计算得到的数值也会变的非常大，数值可能会溢出。
溢出又分为下溢出（Underflow）和上溢出（Overflow）。计算机用一定长度的二进制表示数值，数值又被称为浮点数。当数值过小的时候，被四舍五入为0，这就是下溢出；当数值过大，超出了最大界限，就是上溢出。
参考1
参考2
参考3