解析：
Softmax 函數能將輸出轉換為機率分佈，使所有類別的機率總和為 1，適用於多類別分類問題。影片類型推薦需要在多個類別中選擇，Softmax 是最適合的輸出層函數。
搜尋意圖： 如果你在找「Softmax 是什麼」或「Softmax 和 Sigmoid 差在哪」，先抓核心：Softmax 會把多個分數轉成一組總和為 1 的機率分布。
TL;DR： Softmax 常放在多分類模型的輸出層，把每個類別的分數轉成機率。它不是單純把值壓到 0 到 1，而是讓所有類別一起競爭同一個總機率。
實用情境： 適合用在理解分類神經網路最後一層在做什麼，以及 iPAS 常見的「二分類用 Sigmoid、多分類用 Softmax」判斷題。
下一步： 先把 Softmax 和 Sigmoid 分清楚，再回頭看交叉熵損失，會更容易理解模型輸出和 loss 是怎麼配對的。
你有沒有在你要在多個候選答案中選出最可能的一個，發現只看表面常常不夠？
你可以把它想成把一堆分數重新整理成機率分布，而且全部加起來剛好是 1。
多元分類、詞彙選擇、注意力權重都需要這種可比較的機率形式。
你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。
容易混淆
Sigmoid 函數 Sigmoid 像處理「二選一」的問題，把結果變成是或否的機率。 Softmax 則像處理「多選一」的問題，它會給每個選項一個機率，而且這些機率的總和保證是 1，讓你一次看到所有選項的可能性分佈。
最關鍵的區別：先看它是在比意思、比結構，還是在做任務輸出。
記住這句就好
多選一、而且總和要等於 1，就用 Softmax。
實際案例
圖片分類模型最後要在貓、狗、鳥之間選一個最可能類別。 語言模型生成下一個 token 時，要先把詞彙表分數轉成機率。
算法與應用
它會先對分數取指數，再做正規化，讓所有輸出都變成機率。 temperature 會影響分布尖銳程度，溫度低更保守，溫度高更分散。
情境判斷
Q1（直覺題）： 如果模型最後要選一個類別，Softmax 合適嗎？
→ 合適。這就是它最典型的用途。
Q2（判斷題）： 如果一個樣本可以同時屬於好幾個類別，還適合嗎？
→ 通常不適合。看情況，多標籤任務更常用 Sigmoid。
常見問題
Softmax 函數的輸入可以是負數嗎？
可以。Softmax 函數可以接受任何實數作為輸入，包括負數。指數函數會將負數轉換為介於 0 和 1 之間的數值，因此 Softmax 函數仍然能夠產生有效的機率分布。
Softmax 函數的輸出一定是唯一的嗎？
不一定。如果輸入向量中存在相同的數值，那麼 Softmax 函數的輸出中也會存在相同的機率值。只有當輸入向量中的所有數值都不同時，Softmax 函數的輸出才是唯一的。
Softmax 函數在深度學習框架中如何使用？
在常見的深度學習框架（如 TensorFlow、PyTorch）中，Softmax 函數通常作為一個層（Layer）來使用，可以直接添加到模型的輸出層。框架會自動處理 Softmax 函數的計算和梯度反向傳播。
常見比較
範例考題
某影音串流平台建立神經網路模型，用於預測使用者最可能感興趣的影片類型。模型輸出層需將結果轉換為各類別的機率分佈，以便系統依機率高低推薦內容。下列哪一種函數最適合用於模型輸出層？
- A. Softmax 函數（Softmax Function） ✓ 正確答案
- B. Sigmoid 函數（Sigmoid Function）
- C. 線性函數（Linear Function）
- D. ReLU 函數（Rectified Linear Unit Function）