如果您只对最可能的类别感兴趣，则在推理期间您可以跳过 softmax。这甚至相当普遍，也是 TensorFlow 具有特定 logit 功能的原因。但是，为了优化您的网络，您需要一个有意义的损失函数。你有正常的标签，如果你只计算线性组合，你的损失函数会是什么？

因为 softmax 层确保输出可以被解释为概率：它确保每个输出都在 0 和 1 之间，并且输出总和为 1。没有 softmax，你不能这样解释它们。

我们想将它们解释为概率，这样我们就可以获得分类器输出的置信度分数（分类器不只是说“狗”，它说 96% 的置信度是狗，1% 的置信度是鸟， ETC。）。更重要的是，标准损失函数，即交叉熵损失，要求输出可解释为概率。根据经验，使用交叉熵损失（和 softmax 层）可以为分类任务带来良好的结果——比其他选项更好。