Sigmoid激活函数的理解（函数及其导数的图形表示，作用，优缺点）

Sigmoid函数又称logistic函数，在逻辑回归中经常出现。
公式为：

Sigmoid函数常被用作神经网络的阈值函数，将变量映射到0,1之间，该函数单调递增且以（0，0.5）对称，在两端变化速度较慢。

它是神经网络中的激活函数，其作用就是引入非线性。
优点：
（1）sigmoid函数单调连续，输出范围有限，所以数据在传递的过程中不容易发散
（2）由于输出范围为(0, 1)，所以可以在二分类的模型做为输出层，输出表示概率。
（3）求导容易,其导数可由自身表示：f’(x)=f(x)(1-f(x))
缺点：
（1）易造成梯度消失的问题。sigmoid函数和其导数Deriv.Sigmoid的图形如下，导数的值始终小于1且一直在0周围变化，在深层的神经网络中极易造成梯度消失的问题。

（2）不是以0为对称轴（这点在tahn函数有所改善）