神经网络是一种强大的机器学习模型，其中输出层扮演着非常重要的角色。在通常情况下，神经网络输出层使用softmax激活函数，这是因为softmax具有许多有用的属性，使其成为一个优秀的选择。

首先，softmax函数能够将任何一组实数映射到[0,1]区间内，并且它们的和等于1。这意味着在分类问题中，softmax可以将神经网络的输出转换为概率分布，表示每个可能类别的概率大小。

其次，softmax函数具有可微性，这使得它与反向传播算法兼容。反向传播是一种用于计算神经网络权重调整的算法，它通过计算损失函数对权重的梯度来进行学习。由于softmax函数可微，它可以被包含在反向传播算法中，以便计算梯度并进行权重更新。

第三，softmax函数对输入值的相对大小非常敏感。如果两个输入值趋近于相等，那么它们对应的输出值也会趋近于相等。这种敏感性使得softmax函数在多类别分类问题中非常有用，因为它可以使得网络更容易地区分具有相似特征的类别。

最后，softmax函数的输出值不受输入值的缩放影响。这意味着softmax函数具有“不变性”，即它可以处理在不同比例下表示相同信息的输入。

总之，softmax函数在神经网络输出层中是一个非常有用的工具。它可以将神经网络的输出转换为概率分布，并且具有可微性，对输入大小敏感，以及不变性等属性。这些属性使得softmax成为一个优秀的选择，特别是在多类别分类问题中。