Sigmoid 函數 vs Softmax 函數
Sigmoid vs Softmax Function
Sigmoid 函數 側重 Sigmoid 函數是一種將任意實數壓縮到 (0, 1) 區間的 S 形曲線，公式為 σ(x) = 1/(1+e⁻ˣ)，常作為神經網路的激活函數及邏輯斯迴歸的輸出層，用於將線性輸出轉換為機率值。，而 Softmax 函數 側重 Softmax 函數是一種將數值轉換為機率分佈的數學工具，常用於多元分類模型，確保輸出總和為一。
逐項比較
| 項目 | Sigmoid 函數 | Softmax 函數 |
|---|---|---|
| 一句定義 | Sigmoid 函數是一種將任意實數壓縮到 (0, 1) 區間的 S 形曲線，公式為 σ(x) = 1/(1+e⁻ˣ)，常作為神經網路的激活函數及邏輯斯迴歸的輸出層，用於將線性輸出轉換為機率值。 | Softmax 函數是一種將數值轉換為機率分佈的數學工具，常用於多元分類模型，確保輸出總和為一 |
| 常見標籤 | 神經網路、深度學習、機器學習、統計方法 | 神經網路、數學基礎 |
| iPAS 關聯度 | 未知 | 未知 |
| 考生最常問 | 為什麼 Sigmoid 在深度神經網路的隱藏層中被 ReLU 取代？ | Softmax 函數的輸入可以是負數嗎？ |