sigmoid函数只能分两类，而softmax能分多类，softmax是sigmoid的扩展
以下是Softmax函数的定义：
这个函数与hard max（即大家通常用的max函数）有相似之处，在其中某个x显著大于其他x时，返回值接近这个x，即max
下图为softmax(x, 0)和hardmax(x,0)的图形：
差别就在于softmax是连续可导的，消除了拐点，这个特性在机器学习的梯度下降法等地方非常必要。这也是“soft”的由来
进一步延伸，题主所问的softmax激活函数，实质是soft arg max函数，它的特性也是很soft的，例如：
hard arg max([1,0])=[1,0]，而 soft arg max([1,0])=[exp(1),exp(0)]/(exp(1)+exp(0)) = [0.73, 0.27]，可解释为各类的概率
sigmoid函数只能分两类，而softmax能分多类，softmax是sigmoid的扩展