Softmax 把 logits 变概率 · one-hot 标签 · 选对损失 原始分数 logits 指数化 ezᵢ Softmax 概率（和 = 1） 共用同一分母 → 改一个分数，全部概率都变 one-hot 真实标签 只有正确类=1，其余=0 预测=取最大概率所在位置 → 猫 ✓ 损失函数怎么选？ 回归任务（预测连续数值） MSE 均方误差 L = (1/n) Σ ( f(xᵢ) − yᵢ )² 衡量预测偏离真实有多远 多分类任务（预测离散类别） 交叉熵 Cross-Entropy C.E. = − Σ yᵢ · ln(ŷᵢ) 配 Softmax 概率 + one-hot 标签，对齐分布 Softmax 是模型输出的连续概率；one-hot 是真实标签的 0/1 表示；交叉熵把两者对齐