AITerms 登入
神經網路數學基礎

S 型函數(Sigmoid Function)是什麼?

S 型函數能將任何數值壓縮至 0 到 1 之間,常用於二元分類模型,將輸出結果轉換為機率

同主題的術語神經網路

完整定義

S 型函數是一種常用的激活函數,其輸出值介於 0 和 1 之間,呈現 S 形曲線。它能夠將任意實數轉換為一個概率值,常用於二元分類問題的輸出層。在神經網路中,S 型函數引入非線性,使得模型能夠學習更複雜的模式。

白話說明

你有沒有在你想把一個分數變成介於 0 和 1 的機率,發現只看表面常常不夠?

你可以把它想成一個平滑的開關,分數越大越接近 1,越小越接近 0。

二分類、門控機制、機率輸出都常需要這種平滑壓縮。

記住這句

把分數壓到 0 到 1 之間,就先想到 Sigmoid。

比喻:S 型函數就像一個「機率轉換器」-- 無論你輸入一個多大或多小的數字,它都能把它們變成一個介於 0 到 1 之間的「機率值」。就好比把任何分數都統一成百分比,讓你一眼就知道是多大的機會。

容易混淆

ReLU 函數

ReLU 像個「開關」,小於零就關掉(變零),大於零就直接傳遞。

Sigmoid 則像個「漸進式開關」,它會把所有輸入都平滑地壓縮到 0 到 1 之間,特別適合用來表示機率,因為它的輸出總是在這個範圍內。

實際案例

垃圾郵件分類會輸出一個介於 0 和 1 的值,表示是垃圾信的機率。

LSTM 的 gate 也常用 Sigmoid 來控制資訊要不要放行。

演算法與應用

它把輸入映射成 S 形曲線,輸出永遠落在 0 到 1 之間。

和 Softmax 不同,Sigmoid 更適合二分類或多標籤的獨立判斷。

情境判斷

Q1(直覺題): 如果模型只要判斷是或不是,Sigmoid 適合嗎?

適合。二分類很常直接用它做輸出。

Q2(判斷題): 如果你要在很多類別中選一個,還會優先用 Sigmoid 嗎?

通常不會。看情況,多選一時更常用 Softmax。

常見問題

出現在這些考古題

官方公告試題的逐題解析裡,這 3 題把S 型函數列為延伸術語。

相關術語

本頁內容有提到,或屬於同一組主題的術語

來源

參考來源:en.wikipedia.org

其他格式:Markdown 版本