深度学习和逻辑回归中中引入Sigmod函数的原因

1.在深度学习中如果不引入Relu,tanh,sigmod等函数，多层的神经网络将变的没有意义，再多层也只等价于做了一个线性变换。只有通过加入激励层才能很好得实现神经网络。
2.至于逻辑回归中应用Sigmod更多的还是利用其非线性的特点，具体见文章

图1和图2是逻辑回归中常举的一个例子，图中横坐标表示肿瘤的大小，纵坐标表示是癌症的概率，当概率超过0.5时表示是癌症。

图1中红色叉叉表示实际的样本（下方的不是癌，上方的是癌），紫色直线是利用直线方程y=kx+b根据样本拟合出来的。根据每个样本的X值（肿瘤大小）和拟合的直线可以得到该样本是癌细胞的概率。图1直线拟合的结果与实际一致。找到拟合直线上0.5概率对应的X值，可以看到能够很好地将癌细胞和非癌细胞区分开来。

图2中红色叉叉表示实际的样本（下方的不是癌，上方的是癌），蓝色直线是拟合直线。由于癌细胞中的最后一个样本X值过大，使得直线斜率变小。从拟合直线可以看出，当给定第一和第二个癌细胞的X值（肿瘤大小）时，拟合直线上对应的癌细胞概率不到0.5，从而认为不是癌细胞，进行了误判。从另一个角度，找Y值0.5对应的肿瘤尺寸X1也可以发现错误，X1左侧的被认为是良性的，右侧的是癌细胞。所以拟合的直线是有问题的。

因此引入了图3所示的Sigmod函数：

sigmoid函数具有我们需要的一切优美特性，其定义域在全体实数，值域在[0, 1]之间，并且在0点值为0.5

图1

图2

图3 Sigmod函数