softmax为激活函数，C = softmax（o）为输出，真实标签为y, 用交叉熵作为损失函数L，给出损失函数定义，并且给出损失函数L对o的求导
交叉熵损失函数定义如下：
其中，
表示真实标签，
表示模型的预测输出，
表示类别数。
假设模型的输出为
，则将输入softmax函数得到预测输出：
将预测输出代入交叉熵损失函数中，可得到：
接下来，我们对
对
求导数：
当
时，
当
时，
因此，
综上所述，我们可以使用交叉熵损失函数和softmax作为激活函数，并且可以使用上述公式计算梯度，以便进行反向传播和模型参数更新。
接着上面的假设，若 :
那么根据链式法则，损失L对p的求导结果为
损失L对b的求导结果为
