python的sigmoid函數

『壹』 sigmoid函數優缺點求告知

函數：

優點：從圖片上

（1）可以看到sigmoid函數處處連續 ->便於求導；

（2）可以將函數值的范圍壓縮到[0,1]->可以壓縮數據，且幅度不變。

（3）便於前向傳輸

缺點：

（1）在趨向無窮的地方，函數值變化很小，容易缺失梯度，不利於深層神經網路的反饋傳輸

（2）冪函數還是比較難算的

（3）函數均值不為0，當輸出大於0時，則梯度方向將大於0，也就是說接下來的反向運算中將會持續正向更新；同理，當輸出小於0時，接下來的方向運算將持續負向更新。

『貳』 為什麼我的scipy庫里沒有expit() 就是那個sigmoid函數

神經網路中用到的sigmoid函數，即S函數在python里可以直接調用，但沒想到耗費我很長時間。

最開始，我安裝了SciPy v1.0.1；

但是嘗試各種調用方式

from scipy import special
from scipy.special import expit
都顯示找不到expit模塊。網路和Google都未果。

後來卸載了SciPy重裝了SciPy v1.0.0 就成功了……果然不要貪圖新版本……

『叄』 Sigmoid函數的介紹

Sigmoid函數是一個在生物學中常見的S型的函數，也稱為S形生長曲線。

『肆』 sigmoid函數作用

1.
sigmoid函數單調連續,輸出范圍有限,所以數據在傳遞的過程中不容易發散
2.
由於輸出范圍為(0, 1),所以可以在二分類的模型做為輸出層,輸出表示概率。
3.
求導容易,其導數可由自身表示:f』(x)=f(x)(1-f(x))

『伍』 Sigmoid函數有哪些

Sigmoid函數是一個在生物學中常見的S型函數，也稱為S型生長曲線。[1]在信息科學中，由於其單增以及反函數單增等性質，Sigmoid函數常被用作神經網路的閾值函數，將變數映射到0,1之間。
中文名
Sigmoid函數
外文名
Sigmoid function
別名
S型生長曲線
用途
用作神經網路的閾值函數
Sigmoid函數由下列公式定義

其對x的導數可以用自身表示:

前16個Sigmoid函數的數值為

『陸』 python 神經網路庫有哪些

學習人工智慧時，我給自己定了一個目標－－用Python寫一個簡單的神經網路。為了確保真得理解它，我要求自己不使用任何神經網路庫，從頭寫起。多虧了Andrew Trask寫得一篇精彩的博客，我做到了！下面貼出那九行代碼：

在這篇文章中，我將解釋我是如何做得，以便你可以寫出你自己的。我將會提供一個長點的但是更完美的源代碼。
首先，神經網路是什麼？人腦由幾千億由突觸相互連接的細胞（神經元）組成。突觸傳入足夠的興奮就會引起神經元的興奮。這個過程被稱為「思考」。

我們可以在計算機上寫一個神經網路來模擬這個過程。不需要在生物分子水平模擬人腦，只需模擬更高層級的規則。我們使用矩陣（二維數據表格）這一數學工具，並且為了簡單明了，只模擬一個有3個輸入和一個輸出的神經元。

我們將訓練神經元解決下面的問題。前四個例子被稱作訓練集。你發現規律了嗎？『？』是0還是1？

你可能發現了，輸出總是等於輸入中最左列的值。所以『？』應該是1。
訓練過程
但是如何使我們的神經元回答正確呢？賦予每個輸入一個權重，可以是一個正的或負的數字。擁有較大正（或負）權重的輸入將決定神經元的輸出。首先設置每個權重的初始值為一個隨機數字，然後開始訓練過程：
取一個訓練樣本的輸入，使用權重調整它們，通過一個特殊的公式計算神經元的輸出。
計算誤差，即神經元的輸出與訓練樣本中的期待輸出之間的差值。
根據誤差略微地調整權重。
重復這個過程1萬次。

最終權重將會變為符合訓練集的一個最優解。如果使用神經元考慮這種規律的一個新情形，它將會給出一個很棒的預測。
這個過程就是back propagation。

計算神經元輸出的公式
你可能會想，計算神經元輸出的公式是什麼？首先，計算神經元輸入的加權和，即

接著使之規范化，結果在0，1之間。為此使用一個數學函數－－Sigmoid函數：

Sigmoid函數的圖形是一條「S」狀的曲線。

把第一個方程代入第二個，計算神經元輸出的最終公式為：

你可能注意到了，為了簡單，我們沒有引入最低興奮閾值。
調整權重的公式
我們在訓練時不斷調整權重。但是怎麼調整呢？可以使用「Error Weighted Derivative」公式：

為什麼使用這個公式？首先，我們想使調整和誤差的大小成比例。其次，乘以輸入（0或1），如果輸入是0，權重就不會調整。最後，乘以Sigmoid曲線的斜率（圖4）。為了理解最後一條，考慮這些：
我們使用Sigmoid曲線計算神經元的輸出
如果輸出是一個大的正（或負）數，這意味著神經元採用這種（或另一種）方式
從圖四可以看出，在較大數值處，Sigmoid曲線斜率小
如果神經元認為當前權重是正確的，就不會對它進行很大調整。乘以Sigmoid曲線斜率便可以實現這一點
Sigmoid曲線的斜率可以通過求導得到：

把第二個等式代入第一個等式里，得到調整權重的最終公式：

當然有其他公式，它們可以使神經元學習得更快，但是這個公式的優點是非常簡單。
構造Python代碼
雖然我們沒有使用神經網路庫，但是將導入Python數學庫numpy里的4個方法。分別是：
exp－－自然指數
array－－創建矩陣
dot－－進行矩陣乘法
random－－產生隨機數
比如， 我們可以使用array()方法表示前面展示的訓練集：

「.T」方法用於矩陣轉置（行變列）。所以，計算機這樣存儲數字：

我覺得我們可以開始構建更優美的源代碼了。給出這個源代碼後，我會做一個總結。
我對每一行源代碼都添加了注釋來解釋所有內容。注意在每次迭代時，我們同時處理所有訓練集數據。所以變數都是矩陣（二維數據表格）。下面是一個用Python寫地完整的示例代碼。

結語
試著在命令行運行神經網路：

你應該看到這樣的結果：

我們做到了！我們用Python構建了一個簡單的神經網路！
首先神經網路對自己賦予隨機權重，然後使用訓練集訓練自己。接著，它考慮一種新的情形[1, 0, 0]並且預測了0.99993704。正確答案是1。非常接近！
傳統計算機程序通常不會學習。而神經網路卻能自己學習，適應並對新情形做出反應，這是多麼神奇，就像人類一樣。

『柒』 python sigmoid函數在哪個模塊

Sigmoid函數,即f(x)=1/(1+e-x).神經元的非線性作用函數. 人工神經網路的學習演算法-BP演算法 神經網路的學習是基於一組樣本進行的,它包括輸入和輸出

『捌』 如何用python把一個很大的數歸約到0-1之間

您好，使用sigmoid函數就行，表達式為sigmoid(x)=1/(1+exp(x))

『玖』 誰能解釋下sigmoid 函數

Sigmoid函數,即f(x)=1/(1+e-x).神經元的非線性作用函數.
人工神經網路的學習演算法-BP演算法
神經網路的學習是基於一組樣本進行的,它包括輸入和輸出（這里用期望輸出表示）,輸入和輸出有多少個分量就有多少個輸入和輸出神經元與之對應.最初神經網路的權值（Weight）和閾值（Threshold）是任意給定的,學習就是逐漸調整權值和閾值使得網路的實際輸出和期望輸出一致.
我們假設樣本有P個,輸入層有N個神經元,隱含層有K個神經元,輸出層有M個神經元.Xj為輸入層神經元j的輸入,Hj為隱含層神經元j的輸出,Fj為輸出層神經元j的實際輸出,Rj為輸出層神經元j的期望輸出,前一層的輸出即為後一層的輸入.Whji是輸入層神經元i與隱含層神經元j之間的連接權值,Thj是隱含神經元j的閾值,Woji是隱含層神經元i與輸出層神經元j之間的連接權值,Toj是輸出神經元j的閾值.神經元的非線性作用函數是Sigmoid函數,即f(x)=1/(1+e-x).

參考來源：http://www.zybang.com/question/.html

『拾』 python sigmoid函數屬於哪個庫

Sigmoid函數,即f(x)=1/(1+e-x).神經元的非線性作用函數. 人工神經網路的學習演算法-BP演算法 神經網路的學習是基於一組樣本進行的,它包括輸入和輸出（這里用期望輸出表示）,輸入和輸出有多少個分量就有多少個輸入和輸出神經元與之對應.最初神經網路