sigmoid函数

Sigmoid函数（也叫逻辑斯谛函数）由下列公式定义：

其对x的导数可以用自身表示：

相关代码：

def nonlin(x, deriv=False):
    if(deriv):
        return x*(1-x)
    return 1/(1+np.exp(-x))

Sigmoid函数的图形如S曲线：

1.在神经网络中sigmoid通常被用作激活函数，它可以用来处理二分类问题。那么什么是激活函数呢？

我们知道在多层的神经网络中，上一层的信号（也就是wx+b算出的结果y）要作为下一层的输入，但是这个上一层的信号在输入到下一层之前需要一次激活f = sigmoid(y)，因为

并不是所有的上一层信号都可以激活下一层，如果所有的上一层信号都可以激活下一层，那么这一层相当于什么都没有做。因此我需要选择一些信号激活下一层的神经元。如何表

示激活呢？就是当activation function的输出结果是0就代表抑制，是1就代表激活。因为按照下一层的神经元的计算wf+b来看，如果f接近于0，那么就会阻止x对应的权重起

作用，如果接近1，这个权重的作用会最大，在这个就是激活的含义。

2.可以很容易的抑制误差，尤其是相差比较大的误差。

在x=5的点和x=10的点原本相差很远（10-5=5）的点，在激活之后，也就是x=5和x=10对应的y坐标的值，相差的不大。比如说有一个噪声误差，在x=1000处，其他的点都分布

在x=5到x=10之间，那么sigmoid的函数就可以很好的去掉这种误差带来的影响。

今天的文章sigmoid函数分享到此就结束了，感谢您的阅读，如果确实帮到您，您可以动动手指转发给其他人。