sigmoid 函数：形状像S的函数。

logistic 函数：一种典型的sigmoid 函数，函数如下：

logit函数：logistic 函数的反函数，也有logistic unit的意思，类似于probit相对于标准正态分布的分布函数（也是S型的呢）的反函数，即probability unit，就是通过概率找到随机变量的值： 也叫log-odds函数，因为p/(1-p)在统计学中叫做odds，几率、可能性、胜率的意思。

logistic模型（logit模型）：是一种回归模型，回归模型就是指对两个随机变量建立关系，比如线性关系就是线性回归模型，当因变量是离散值的时候用的一种模型，用来建模某一离散值的概率和自变量的关系，一个简单但是不太专业的理解可以看这篇文章：浅入深出被人看扁的逻辑回归。

softmax函数：是logistic 函数在多个维度的泛化，也叫归一化指数函数，函数如下： softmax regression：多分类问题的回归模型

cross entropy：是信息论的一个概念，可以衡量关于同一组事件的实际分布p和估计分布q这两个概率分布之间的差异，公式如下：

cross entropy loss：在深度学习的分类任务中，神经网络的输出在[0,1]区间，可以看作估计概率分布，而one-hot标签可以看成实际概率分布，因此可以用交叉熵来作为损失函数，而且求出的导数也很简洁，然后梯度下降balabala。

其实一直很纳闷，到底是先有logistic，还是先有logit。 关于logit的理解可以看这篇文章：Logit究竟是个啥？——离散选择模型之三。

看了这一系列文章：Logistic回归的起源（上），感觉好像是先有logistic函数，然后提出了logistic（logit）模型，但是我在这篇文章里又感觉是反过来的：Logistic Regression – Why sigmoid function，是先有logit(p/(1-p))=wx+b，然后推出p=logistic(x)，我上这门课的时候老师也是以这样的逻辑讲的： （当时上课的时候以为明白了，现在查了很多资料之后觉得不太明白了……）

然后关于logistic和softmax，我的理解是这样的：

考虑softmax维度为2的时候，x1和x2两个变量其实是冗余的，所以其实只需要神经网络的最后一个线性层输出一个值就可以了，这个值就是t，那么线性层后面的激活函数就是logistic函数了。 但一旦维度≥3，就没有这种冗余的情况，所以采用one-hot编码和softmax函数。 而且cross entropy对于这两个函数的导数的形式也是一样的。

关于为什么要用交叉熵作为softmax（logistic）的损失函数，可以参考这篇文章：损失函数｜交叉熵损失函数。

一般讲到的sigmoid函数就是指logistic函数，可以用作激活函数，拟合任务和分类任务都需要激活函数，来让输出变得非线性，尤其是只有全连接层的神经网络。不过激活函数还有别的，比如relu，tanh等等；还可以用作二分类问题的最后一层。

softmax常用于多分类问题的最后一层，比如VGG模型。

cross entropy常用于分类问题的损失函数