Sigmoid函数

将一个实数域上的值映射到[0,1]空间，十分适合线性分类问题。

Sigmoid函数的特性与优缺点：

• 导数可以由自身表示：${\mathrm{S}}^{\prime }(\mathrm{x})=\frac{{\mathrm{e}}^{-\mathrm{x}}}{(1+{\mathrm{e}}^{-\mathrm{x}}{)}^2}=\mathrm{S}(\mathrm{x})(1-\mathrm{S}(\mathrm{x}))$
• Sigmoid函数的输出范围是0到1。由于输出值限定在0到1，因此它对每个神经元的输出进行了归一化。
• 用于将预测概率作为输出的模型。由于概率的取值范围是0到1，因此Sigmoid函数非常合适
• 梯度平滑，避免跳跃的输出值
• 函数是可微的。这意味着可以找到任意两个点的Sigmoid曲线的斜率
• 明确的预测，即非常接近1或0。
• 函数输出不是以0为中心的，这会降低权重更新的效率
• Sigmoid函数执行指数运算，计算机运行得较慢。