---
title: "輸出層（Output Layer）"
slug: output-layer
language: zh-TW
source: https://aiterms.tw/terms/output-layer
updated_at: 2026-06-22
tags: [深度學習, 神經網路, 模型訓練, AI基礎]
ipas_term: false
---

# 輸出層（Output Layer）

神經網路最後一層，根據任務類型選擇合適的激活函數，將隱藏層的高維特徵轉換為最終預測結果（分類概率、迴歸值或其他形式），是模型與外界交互的界面。

## 完整說明

輸出層是深度學習模型的最終層，接收倒數第二層的特徵表示，經過計算直接產生模型的預測輸出。根據任務性質不同，輸出層的配置差異很大：分類任務使用 softmax 激活產生類別概率，迴歸任務通常無激活函數輸出連續值，多標籤分類使用 sigmoid 分別處理每個標籤。輸出層的設計直接影響模型的最終性能和訓練的收斂性。

## 常見問題

### 為什麼分類任務要用 softmax 而不是其他激活函數？

softmax 有獨特優勢：1) 保證輸出和為 1，可解釋為概率分佈；2) 與交叉熵損失的組合在數學上簡潔，梯度計算為 y - t（預測 - 標籤），形式簡單；3) 輸出之間有相互制約，提高模型穩定性。相比之下，ReLU 或線性激活無此性質，會導致訓練不穩定。

### 多標籤分類為什麼不能用 softmax？

softmax 的設計假設輸出和為 1，這強制一個樣本只能有一個最高概率。在多標籤問題中，一個樣本可同時屬於多個標籤，各標籤間是獨立的。sigmoid 激活將每個輸出獨立轉為 0-1 概率，搭配二元交叉熵損失，正確允許多個輸出同時為高概率。使用 softmax 會導致標籤之間的錯誤競爭。

### 輸出層只能是全連接層嗎？

不一定。在全卷積網路（FCN）中，輸出層可以是卷積層，進行像素級預測。在序列模型中，可以多層 LSTM 後直接接輸出。在某些架構（如 Vision Transformer）中，輸出層可以是注意力機制。關鍵是輸出形狀和激活函數要與任務匹配，而不限於特定層類型。

---

來源：https://aiterms.tw/terms/output-layer
快查頁：https://aiterms.tw/terms/output-layer
最後更新：2026/06/22
深度解說：https://aiterms.tw/learning/what-is-output-layer