softmax与sigmoid的运算过程中都用到了指数函数，但是这两者之间有比较大的差别，先上结构图，如下：

可以看出Softmax是对一个向量进行归一化的过程，每个元素的输出都与整个向量相关。而Sigmoid是一个非线性映射，通常用在神经网络内部做激活函数(尤其是在早期神经网络)，每个元素都进行独立的运算。

如果输出层为一个神经元时，此时会使用sigmoid代替softmax，因为此时还按照softmax公式的话计算值为1。通常这是二分类的情况，例如以sigmoid输出结果与0.5的阈值进行对比，从而判断输入的类别。

softmax一般用于多分类的结果，一般和one-hot的真实标签值配合使用，我们不需要特别的设置它，因为一般使用交叉熵损失cross entropy时，框架会帮我们自动的加上softmax。