您现在的位置是:首页 > 技术资料 > Sigmoid激活函数
推荐星级:
  • 1
  • 2
  • 3
  • 4
  • 5

Sigmoid激活函数

更新时间:2026-07-22 08:37:58 大小:15K 上传用户:潇潇江南查看TA发布的资源 标签:sigmoid激活函数 下载积分:2分 评价赚积分 (如何评价?) 打赏 收藏 评论(0) 举报

资料介绍

基本定义与数学形式

Sigmoid激活函数是人工神经网络中最早被广泛使用的非线性激活函数之一,是一个在生物学中类似于神经元激活特性的S型函数,也常被称为逻辑斯蒂函数(Logistic Function)。它的数学形式可以表示为:

 

其中,$x$是神经元的输入加权和,$e$是自然常数。从公式可以看出,Sigmoid函数会将任意实数输入映射到**(0, 1)**区间内,当输入$x$趋近于正无穷时,输出趋近于1;当输入$x$趋近于负无穷时,输出趋近于0,完美符合概率输出的区间要求。

核心性质

1. 非线性与平滑性

Sigmoid是连续可导的非线性函数,整个定义域内曲线平滑,不存在断点,这一特性保证了反向传播过程中可以正常计算梯度,不会出现梯度不存在的问题。它的导数形式非常简洁,可以通过自身输出推导得到:

 

这一性质大大降低了神经网络反向传播的计算量,仅需要保存Sigmoid的输出结果,就可以快速计算出导数,是其早期被广泛应用的重要原因。

2. 输出范围归一化

Sigmoid的输出被严格限制在01之间,天然符合概率输出的需求,也可以让输出值被解释为神经元的激活概率,非常适合用于二分类任务的输出层。同时,输出的有界性也使得模型对输入噪声的鲁棒性相对较好,过大的输入不会导致输出发生爆炸式增长。

3. 单调递增性

Sigmoid函数在整个定义域内是单调递增的,这意味着输入越大,输出也越大,符合我们对激活函数越强输入对应越强输出的基本预期,不会出现多对一的映射问题,保证了分类和回归任务中的单调性逻辑。


部分文件列表

文件名 大小
Sigmoid激活函数.docx 15K

全部评论(0)

暂无评论

上传资源 上传优质资源有赏金

  • 打赏
  • 30日榜单

推荐下载