tags：状态、重要性 # why - 让[[ANN 人工神经网络]]中[[人工神经元 neuron]]的[[激活值 activation]]保持在 0~1之间。 # what - Sigmoid（中文称为“s 型函数”或“逻辑函数”）是一种常用的**非线性**[[activation function 激活函数]]$f$，广泛用于神经网络中，特别是在深度学习领域。如果没有激活函数，整个模型加权会变成一个线性模型。 - sigmoid 函数定义为： $σ(x)=\frac{1}{1 + e^{-x}}$ - **关键特性**： - 输出范围始终在 **0 到 1**之间，常用于二分类任务，表示概率。 - 当输入为 0 时，sigmoid 输出为 0.5。 - 输入很大时（趋于正无穷），输出趋近于 1；输入很小时（趋于负无穷），输出趋近于 0。 -  # how ## sigmoid 的优缺点： ### 优点： - 能够将输入信号压缩到 (0,1) 范围，适合表示概率； - 连续、可微，便于梯度计算。 ### 缺点： - 容易产生梯度消失（Vanishing Gradient）的问题：当输入很大或很小时，函数梯度接近于 0，导致反向传播时梯度很小，神经网络训练缓慢； - 输出不是以零为中心，可能影响模型收敛速度。 ## 应用场景： - 二元分类问题的输出层； - Logistic回归模型的概率计算。 # how good # Ref.