caffe小问题（2）：softmaxWithLoss

caffe中的softmaxWithLoss其实是：
softmaxWithLoss = Multinomial Logistic Loss Layer + Softmax Layer

其中：
Multinomial Logistic Loss Layer 即为交叉熵代价函数
Softmax Layer其实就是指softmax function（全连接那一步在它前面的fc中实现）

示意图如下：

应该注意，这里的Softmax Layer与机器学习中提到的softmax regression有一个小小的不同：它没有将前面的全连接层考虑在内，也就是说，它将softmax regression进行了分解：

softmax regression = 全连接层 + softmax layer （即softmax function）

---

另外，softmax function那个过程，按照如下方式绘制展示可能会更加明白