Sigmoid 输出 使用指南

Sigmoid 函数计算器，输入任意实数求 Sigmoid 输出值与分类阈值，将数值映射到 (0,1) 区间用于二分类。

计算公式与原理

σ(z) = 1/(1 + e^(−z))；对数几率 logit = ln[p/(1 − p)] = z

Sigmoid 把任意实数压到 (0,1)，输出可直接当概率用；其导数 σ′=σ(1−σ)，在 |z| 较大时趋于 0，是深层网络梯度消失的根源之一，所以隐藏层现多改用 ReLU 系。阈值不必固定 0.5，应按业务代价调整。

使用步骤

1. 填写「输入 z」。
2. 填写「分类阈值」。
3. 结果区会即时更新；可一键复制结果用于记录或汇报。

典型使用场景

• σ(x)=1/(1+e⁻ˣ)，将任意实数映射到 (0,1)，用于二分类概率化。
• x=0 时 σ=0.5；x 很大趋近 1、很小趋近 0，具饱和性。
• 与 BCE 损失配合；其导数 σ'(x)=σ(x)(1−σ(x))，便于反向传播。

算例参考

• 概率映射：logit=2 → σ=1/(1+e⁻²)=0.881；logit=−2 → σ=0.119；logit=0 → 0.5。可见 logit 每增加 1，概率向 1 推进一步但减速(饱和)。

注意事项

结果为按上述公式得到的理论估算值，实际表现受数据分布、实现细节与运行环境影响，落地决策请以实测为准；本工具纯前端运行，输入不上传服务器。

Sigmoid 和 Softmax 区别？

Sigmoid 独立处理每个 logit、输出各维独立概率(可不和为1)，适合多标签；Softmax 归一化使各类概率和为1，适合单标签多分类。

为什么 Sigmoid 易饱和导致梯度消失？

当 |x| 很大时 σ 接近 0 或 1，导数≈0，反向传播梯度趋零；深层网络常用 BatchNorm 与 ReLU 缓解，或用 Swish 等替代。