TensorFlow Keras Sigmoid 激活函数用法指南 📈

Sigmoid 函数是神经网络中常用的激活函数之一，其数学表达式为：
σ(x) = 1 / (1 + e^(-x))
它能将任意实数输入映射到 (0, 1) 区间，常用于二分类问题的输出层或隐藏层。

---

📌 核心特性

• 输入范围：接受任意实数值（-∞, +∞）
• 输出范围：(0, 1) 的连续概率值
• 平滑性：输出曲线在中间区域接近线性，便于梯度计算
• 饱和问题：极端值区域梯度趋近于0，可能引发梯度消失

---

🧠 使用场景

1. 二分类任务：如逻辑回归、图像分类（输出概率）
2. 隐藏层激活：在早期神经网络中用于引入非线性
3. 概率输出：需要输出概率分布的场景（如softmax前的预处理）

---

📜 代码示例

import tensorflow as tf

# 定义模型
model = tf.keras.Sequential([
    tf.keras.layers.Dense(64, activation='sigmoid', input_shape=(784,)),
    tf.keras.layers.Dense(1, activation='sigmoid')
])

# 编译模型
model.compile(optimizer='adam',
              loss='binary_crossentropy',
              metrics=['accuracy'])

# 训练模型
model.fit(train_dataset, epochs=10)

---

📘 相关文档

如需深入了解激活函数的理论基础，可参考：
/ tensorflow_docs/api_docs/python/tf/keras/activations
（TensorFlow 官方激活函数库入口）

---

*图示：Sigmoid 函数的 S 型曲线特性*