python的sigmoid函数

‘壹’ sigmoid函数优缺点求告知

函数：

优点：从图片上

（1）可以看到sigmoid函数处处连续 ->便于求导；

（2）可以将函数值的范围压缩到[0,1]->可以压缩数据，且幅度不变。

（3）便于前向传输

缺点：

（1）在趋向无穷的地方，函数值变化很小，容易缺失梯度，不利于深层神经网络的反馈传输

（2）幂函数还是比较难算的

（3）函数均值不为0，当输出大于0时，则梯度方向将大于0，也就是说接下来的反向运算中将会持续正向更新；同理，当输出小于0时，接下来的方向运算将持续负向更新。

‘贰’ 为什么我的scipy库里没有expit() 就是那个sigmoid函数

神经网络中用到的sigmoid函数，即S函数在python里可以直接调用，但没想到耗费我很长时间。

最开始，我安装了SciPy v1.0.1；

但是尝试各种调用方式

from scipy import special
from scipy.special import expit
都显示找不到expit模块。网络和Google都未果。

后来卸载了SciPy重装了SciPy v1.0.0 就成功了……果然不要贪图新版本……

‘叁’ Sigmoid函数的介绍

Sigmoid函数是一个在生物学中常见的S型的函数，也称为S形生长曲线。

‘肆’ sigmoid函数作用

1.
sigmoid函数单调连续,输出范围有限,所以数据在传递的过程中不容易发散
2.
由于输出范围为(0, 1),所以可以在二分类的模型做为输出层,输出表示概率。
3.
求导容易,其导数可由自身表示:f’(x)=f(x)(1-f(x))

‘伍’ Sigmoid函数有哪些

Sigmoid函数是一个在生物学中常见的S型函数，也称为S型生长曲线。[1]在信息科学中，由于其单增以及反函数单增等性质，Sigmoid函数常被用作神经网络的阈值函数，将变量映射到0,1之间。
中文名
Sigmoid函数
外文名
Sigmoid function
别名
S型生长曲线
用途
用作神经网络的阈值函数
Sigmoid函数由下列公式定义

其对x的导数可以用自身表示:

前16个Sigmoid函数的数值为

‘陆’ python 神经网络库有哪些

学习人工智能时，我给自己定了一个目标－－用Python写一个简单的神经网络。为了确保真得理解它，我要求自己不使用任何神经网络库，从头写起。多亏了Andrew Trask写得一篇精彩的博客，我做到了！下面贴出那九行代码：

在这篇文章中，我将解释我是如何做得，以便你可以写出你自己的。我将会提供一个长点的但是更完美的源代码。
首先，神经网络是什么？人脑由几千亿由突触相互连接的细胞（神经元）组成。突触传入足够的兴奋就会引起神经元的兴奋。这个过程被称为“思考”。

我们可以在计算机上写一个神经网络来模拟这个过程。不需要在生物分子水平模拟人脑，只需模拟更高层级的规则。我们使用矩阵（二维数据表格）这一数学工具，并且为了简单明了，只模拟一个有3个输入和一个输出的神经元。

我们将训练神经元解决下面的问题。前四个例子被称作训练集。你发现规律了吗？‘？’是0还是1？

你可能发现了，输出总是等于输入中最左列的值。所以‘？’应该是1。
训练过程
但是如何使我们的神经元回答正确呢？赋予每个输入一个权重，可以是一个正的或负的数字。拥有较大正（或负）权重的输入将决定神经元的输出。首先设置每个权重的初始值为一个随机数字，然后开始训练过程：
取一个训练样本的输入，使用权重调整它们，通过一个特殊的公式计算神经元的输出。
计算误差，即神经元的输出与训练样本中的期待输出之间的差值。
根据误差略微地调整权重。
重复这个过程1万次。

最终权重将会变为符合训练集的一个最优解。如果使用神经元考虑这种规律的一个新情形，它将会给出一个很棒的预测。
这个过程就是back propagation。

计算神经元输出的公式
你可能会想，计算神经元输出的公式是什么？首先，计算神经元输入的加权和，即

接着使之规范化，结果在0，1之间。为此使用一个数学函数－－Sigmoid函数：

Sigmoid函数的图形是一条“S”状的曲线。

把第一个方程代入第二个，计算神经元输出的最终公式为：

你可能注意到了，为了简单，我们没有引入最低兴奋阈值。
调整权重的公式
我们在训练时不断调整权重。但是怎么调整呢？可以使用“Error Weighted Derivative”公式：

为什么使用这个公式？首先，我们想使调整和误差的大小成比例。其次，乘以输入（0或1），如果输入是0，权重就不会调整。最后，乘以Sigmoid曲线的斜率（图4）。为了理解最后一条，考虑这些：
我们使用Sigmoid曲线计算神经元的输出
如果输出是一个大的正（或负）数，这意味着神经元采用这种（或另一种）方式
从图四可以看出，在较大数值处，Sigmoid曲线斜率小
如果神经元认为当前权重是正确的，就不会对它进行很大调整。乘以Sigmoid曲线斜率便可以实现这一点
Sigmoid曲线的斜率可以通过求导得到：

把第二个等式代入第一个等式里，得到调整权重的最终公式：

当然有其他公式，它们可以使神经元学习得更快，但是这个公式的优点是非常简单。
构造Python代码
虽然我们没有使用神经网络库，但是将导入Python数学库numpy里的4个方法。分别是：
exp－－自然指数
array－－创建矩阵
dot－－进行矩阵乘法
random－－产生随机数
比如， 我们可以使用array()方法表示前面展示的训练集：

“.T”方法用于矩阵转置（行变列）。所以，计算机这样存储数字：

我觉得我们可以开始构建更优美的源代码了。给出这个源代码后，我会做一个总结。
我对每一行源代码都添加了注释来解释所有内容。注意在每次迭代时，我们同时处理所有训练集数据。所以变量都是矩阵（二维数据表格）。下面是一个用Python写地完整的示例代码。

结语
试着在命令行运行神经网络：

你应该看到这样的结果：

我们做到了！我们用Python构建了一个简单的神经网络！
首先神经网络对自己赋予随机权重，然后使用训练集训练自己。接着，它考虑一种新的情形[1, 0, 0]并且预测了0.99993704。正确答案是1。非常接近！
传统计算机程序通常不会学习。而神经网络却能自己学习，适应并对新情形做出反应，这是多么神奇，就像人类一样。

‘柒’ python sigmoid函数在哪个模块

Sigmoid函数,即f(x)=1/(1+e-x).神经元的非线性作用函数. 人工神经网络的学习算法-BP算法 神经网络的学习是基于一组样本进行的,它包括输入和输出

‘捌’ 如何用python把一个很大的数归约到0-1之间

您好，使用sigmoid函数就行，表达式为sigmoid(x)=1/(1+exp(x))

‘玖’ 谁能解释下sigmoid 函数

Sigmoid函数,即f(x)=1/(1+e-x).神经元的非线性作用函数.
人工神经网络的学习算法-BP算法
神经网络的学习是基于一组样本进行的,它包括输入和输出（这里用期望输出表示）,输入和输出有多少个分量就有多少个输入和输出神经元与之对应.最初神经网络的权值（Weight）和阈值（Threshold）是任意给定的,学习就是逐渐调整权值和阈值使得网络的实际输出和期望输出一致.
我们假设样本有P个,输入层有N个神经元,隐含层有K个神经元,输出层有M个神经元.Xj为输入层神经元j的输入,Hj为隐含层神经元j的输出,Fj为输出层神经元j的实际输出,Rj为输出层神经元j的期望输出,前一层的输出即为后一层的输入.Whji是输入层神经元i与隐含层神经元j之间的连接权值,Thj是隐含神经元j的阈值,Woji是隐含层神经元i与输出层神经元j之间的连接权值,Toj是输出神经元j的阈值.神经元的非线性作用函数是Sigmoid函数,即f(x)=1/(1+e-x).

参考来源：http://www.zybang.com/question/.html

‘拾’ python sigmoid函数属于哪个库

Sigmoid函数,即f(x)=1/(1+e-x).神经元的非线性作用函数. 人工神经网络的学习算法-BP算法 神经网络的学习是基于一组样本进行的,它包括输入和输出（这里用期望输出表示）,输入和输出有多少个分量就有多少个输入和输出神经元与之对应.最初神经网络