Sigmoid函数是一种常用的激活函数,它将输入值映射到一个范围在0到1之间的连续输出。Sigmoid函数的公式如下:
scss
f(x) = 1 / (1 + exp(-x))
以下是使用Sigmoid函数的Python示例代码:
pythonCopy code
import numpy as np
def sigmoid(x):
return 1 / (1 + np.exp(-x))
# 使用单个值进行示例
x = 2
result = sigmoid(x)
print(result) # 输出:0.8807970779778823
# 使用NumPy数组进行示例
x_array = np.array([-2, -1, 0, 1, 2])
result_array = sigmoid(x_array)
print(result_array) # 输出:[0.11920292 0.26894142 0.5 0.73105858 0.88079708]
在上述示例中,我们首先定义了一个sigmoid函数,它接受一个输入值x,并返回计算后的结果。然后我们使用单个值和NumPy数组进行了示例,分别计算了对应的sigmoid函数值,并打印输出。
Sigmoid函数在机器学习和深度学习中广泛用于二元分类问题中的激活函数。它将输入值映射到0到1的概率值,常用于输出层的激活函数,表示某个样本属于某个类别的概率。
需要注意的是,Sigmoid函数在输入值非常大或非常小的情况下,容易出现饱和现象,导致梯度消失的问题。在深度学习中,为了避免这个问题,常常使用其他激活函数,如ReLU(Rectified Linear Unit)等。