Python 过度自信的模型预测导致全0梯度

目前，我正在为我的CNN模型实施GradCAM（激活热图）。当我的信心不是100%时，它可以完美地工作（注意：这是一个多标签分类问题，所以我使用的是sigmoid激活，而不是softmax）

然而，当我的模型过于自信（字面上的自信为1.0（100%））时，我的最终输出层w.r.t的梯度，我的最终卷积的输出特征图都变为零

我认为这可能是因为为了获得100%的损失必须是0或接近-0。我尝试了几种关于损失张量的方法来解释这一点，包括剪裁、标准化（硬编码和使用tensorflow的l2_norm函数），以及简单地向其添加一个非常小的浮点（1e-5）

然而，一切都不起作用，我也找不到关于这个话题的任何资源。我是否错过了一个非常简单的可能有用的技巧或功能？或者这是我的模型架构中更深层次的问题

---

TLDR；如何规范化/调整模型的输出损耗张量，使其不包含0值？

为什么要将sigmoid用于多标签而不是softmax？这是没有意义的，因为每个示例可以属于一个或多个类。我理解softmax生成的值总是总和为1，这不是我的模型所希望的行为。