是的，你是对的。soft-max 层输出一个概率分布，即输出总和为 1 的值。sigmoid 函数输出边际概率，因此当类不互斥时可用于多类分类。此外，soft-max 层是最大输出层的软版本，因此它是可微的，并且对异常值也有弹性。sigmoid 的一个问题是当你达到饱和（值接近 1 或 0）时，梯度消失。这对优化速度不利，soft-max 没有这个问题。另一种解释是 soft-max 作为 sigmoid 的泛化，实际上当有两个类时它们是相同的。

最后，当类互斥时，您应该使用 soft-max，而当类相互独立时，您应该使用 sigmoid。这可以总结在下表中：

Soft-Max                            |                 Sigmoid
-------------------------------------------------------------------------
Used for multi-classification       |  Used for binary classification in 
in logistic regression model.       |  logistic regression model.
-------------------------------------------------------------------------
The probabilities sum will be 1     | The probabilities sum need not be 1
-------------------------------------------------------------------------
Used in the different layers of     | Used as activation function while 
neural networks.                    | building neural networks
-------------------------------------------------------------------------
The high value will have the higher | The high value will have the high 
probability than other values.      | probability but not the higher

有关 soft-max 的更多信息，请查看以下链接：1、2和3。有关分步指南，包括 Python 中的用法，请参阅此参考4。

有关 soft-max 与 sigmoid 的更多信息，请查看：5、6和7。

如果您想要更可靠的来源来了解为什么对互斥类使用 soft-max 回归，您可以查看此处。此页面是斯坦福大学无监督特征学习和深度学习教程的一部分，它包含由 Andrew Ng 和其他人提供的材料。