在深度学习中，将Logits（逻辑值）输入 softmax 函数的主要目的是将原始的未经处理的分数转换为概率分布。Softmax 函数能够将Logits转化为归一化的概率值，使得每个类别的分数都在0到1之间，且所有类别的概率之和等于1。
Softmax 函数的表达式如下：
其中，
是Logits中第
个元素，
是Softmax 函数的输出，表示第个类别的概率。
通过Softmax，原始的Logits中较大的值会被映射到更大的概率，而较小的值则对应较小的概率。这样的转换使得模型的输出更易于解释，可以用于多分类问题的决策和预测。
在分类任务中，通常会选择具有最高概率的类别作为最终的预测结果。Softmax 的使用也有助于模型训练，因为它引入了梯度信息，使得模型更容易进行反向传播优化。