首先看一下这个sigmoid函数的图像，以x值的0值做为区分点，在0值范围左右的y轴数据为0~1范围内的数据。
python实现：
from math import efrom matplotlib import pyplot as pltxs = []
ys = []def sigmoid(x):y = 1. / (1. + e **(-x))return y;for x in range(-1000,1001):x = x * 0.1y = sigmoid(x)xs.append(x)ys.append(y)print(xs)
print(ys)plt.plot(xs,ys)
plt.show()
核心思想是公式:
以上我所展示的是sigmoid函数以及函数所产生的图像，以下我来说一下一般来说我们所希望激励函数应该是什么样子的。
通常来说，我们希望一个数据做了激励后，应该能明确的知道结果应该是true或false，但是对于这种函数，如：
def f(x):if(x < 0):return 0;if(x > 0):return 1;所产生的函数是不连续且不可求导的，那么在计算过程中就会非常的不方便，sigmoid其实相当于做了折中处理。且在具体的计算过程中，根据实际情况，也许产生的S(x)可能取值在0~0.5以及0.5~1分别分成两类。也有可能是0~0.8，0.8~1。在具体的计算过程中可能会更灵活。
以上就当一个笔记，后续理解如果有出入，再做修改。

