Sigmoid函数怎么用？揭秘其在神经网络中的优缺点！

顺亿

2026-07-15 • 👁 0人浏览过

引言

大家好，我是顺亿，今天我们来聊聊神经网络中的老朋友——Sigmoid函数。这个函数在神经网络中可是扮演着重要角色，接下来我会用通俗易懂的方式给大家讲解它的用法、优缺点，以及它为何会被后来者取代。

Sigmoid函数简介

Sigmoid函数，又称为Logistic函数，它就像一个S型生长曲线，可以将输入的实数映射到0到1之间。这个函数在信息科学中非常常见，尤其是在神经网络中，它用来决定神经元是否被激活。

Sigmoid函数的优缺点

优点：

平滑、易于求导。

缺点：

计算量大，容易导致梯度消失，难以训练深层网络。

Sigmoid函数的导数

Sigmoid函数的导数可以帮助我们更好地理解它的行为。导数图像如下：

def plot_sigmoid_dao():
    x=np.arange(-8,8,0.1)
    y=sigmoid(x)*(1-sigmoid(x))
    plt.plot(x,y)
    plt.show()

Sigmoid函数的图像

Sigmoid函数的图像如下：

import numpy as np
import matplotlib.pyplot as plt
def sigmoid(x):
    return 1.0/(1+np.exp(-x))

def plot_sigmoid():
    x=np.arange(-8,8,0.1)
    y=sigmoid(x)
    plt.plot(x,y)
    plt.show()

if __name__ == '__main__':
    plot_sigmoid()

激活函数的重要性

激活函数是神经网络中极为重要的一个概念，它决定了某个神经元是否被激活，这个神经元接受到的信息是否有用，是该留下还是该抛弃掉。

Sigmoid函数的局限性

尽管Sigmoid函数在神经网络中有着广泛的应用，但它也存在一些局限性。比如，当很多个使用sigmoid激活函数的Layers 加到神经网络中时，损失函数的梯度会接近0，这会导致 network难以训练。

小结与拓展

今天我们介绍了Sigmoid函数的用法、优缺点，以及它为何会被后来者取代。如果你对神经网络还有其他疑问，欢迎关注「趣航编程网」（www.vqhf.com），我会在这里分享更多编程知识。

我是顺亿，我们下期再见！

引言