激励函数的作用之sigmoid

大家好，又见面了，我是全栈君。

首先看一下这个sigmoid函数的图像，以x值的0值做为区分点，在0值范围左右的y轴数据为0~1范围内的数据。

python实现：

from math import e

from matplotlib import pyplot as plt

xs = []
ys = []

def sigmoid(x):
    y = 1. / (1. + e **(-x))
    return y;

for x in range(-1000,1001):
    x = x * 0.1
    y = sigmoid(x)
    xs.append(x)
    ys.append(y)

print(xs)
print(ys)

plt.plot(xs,ys)
plt.show()

核心思想是公式:

以上我所展示的是sigmoid函数以及函数所产生的图像，以下我来说一下一般来说我们所希望激励函数应该是什么样子的。

通常来说，我们希望一个数据做了激励后，应该能明确的知道结果应该是true或false，但是对于这种函数，如：

def f(x):
    if(x < 0):
    return 0;
    if(x > 0):
    return 1;

所产生的函数是不连续且不可求导的，那么在计算过程中就会非常的不方便，sigmoid其实相当于做了折中处理。且在具体的计算过程中，根据实际情况，也许产生的S(x)可能取值在0~0.5以及0.5~1分别分成两类。也有可能是0~0.8，0.8~1。在具体的计算过程中可能会更灵活。

以上就当一个笔记，后续理解如果有出入，再做修改。 

发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/107807.html原文链接：https://javaforall.cn