理解softMaxWithLoss层

　　为了更好的理解SoftMaxWithLossLayer, 绘制了如上的示意图，SoftMaxWithLossLayer主要使用了两个概率统计原理：逻辑回归和最大似然估计。

　　逻辑回归对应于SoftMax,其将神经网络的输出特征（即output输出的一串数字，有多少个种类就有多少个数字）转化成概率。这样做的好处有：

　　1、保证数字越大概率越大；

　　2、得到的所有类的所占概率之和为1.

　　3、将负数转化成小于1的正数，对最后的loss function有放大的作用（loss function前面有负号），实现反例的功能。

　　将正数转化成大于1的数，对最后的loss function有缩小的作用，实现正例的功能。

　　最大似然估计用于计算损失函数，根据最大似然估计原理，选择的模型应使得观察到的事件的概率最大。其中选择的模型即cnn训练出的模型，观察的事件即该图片对应的label(label由人为的指定）。

根据最大似然估计计算出的损失函数的数学公式为：

　　

另外，损失函数并不是单张图片求得的损失函数，一般使用mini batch进行训练, 因此是n张图片的损失函数。SoftMaxWithLossLayer进行分类的好处给定一张图片，能输出该张图中物体属于每个种类的概率，

因此最后输出层有多少个特征，网络就能识别多少种类。但是若需要识别的种类很多时，输出特征就很大。