### Sigmoid 函数的 Python 实现 Sigmoid 函数是一种常见的激活函数，其定义为 \( f(x) = \frac{1}{1 + e^{-x}} \)，其中 \( e \) 是自然对数的底数。以下是基于 `math` 和 `numpy` 的两种常见实现方式。 #### 使用 `math` 模块实现 通过标准库中的 `math.e` 来表示自然常数 \( e \)，可以编写如下代码： ```python import math def sigmoid_math(x): return 1 / (1 + math.e ** -x) # 示例使用 x = 0.5 result = sigmoid_math(x) print(result) ``` 上述方法利用了指数运算符 `**` 来计算幂次方[^4]。 #### 使用 `numpy` 模块实现 对于批量数据处理场景，推荐使用 `numpy` 提供的矢量化操作来提高效率： ```python import numpy as np def sigmoid_numpy(x): return 1 / (1 + np.exp(-x)) # 示例使用 test_data = np.array([0.5]) result = sigmoid_numpy(test_data) print(result) ``` 此版本适用于数组输入，并能自动应用到每个元素上[^2]。 #### 绘制 Sigmoid 曲线 为了直观展示 Sigmoid 函数的行为特征，可借助 `matplotlib` 进行绘图： ```python import numpy as np import matplotlib.pyplot as plt def sigmoid_plot(): x = np.linspace(-10, 10, 100) # 定义横轴范围 [-10, 10], 步长自适应 y = 1 / (1 + np.exp(-x)) # 计算对应的纵坐标值 plt.plot(x, y, label='Sigmoid') plt.title('Sigmoid Function Plot') plt.xlabel('X Axis') plt.ylabel('Y Axis') plt.legend() plt.grid(True) plt.show() sigmoid_plot() ``` 这段脚本先生成一系列均匀分布的数据点作为输入变量 \( x \)，再调用之前定义好的 Sigmoid 表达式得到输出 \( y \)[^3]。 --- ### 注意事项 当数值较大时可能会遇到溢出错误或者精度损失问题。因此实际项目里有时会采用更稳健的形式重写公式以规避这些问题。例如改写成下面这样能够有效减少极端情况下的误差累积风险: \[ \text{{if }} x >= 0:\quad s=\frac {e^{x}}{{1+e^{x}}}\\ \text{{else:}}\quad s= \frac {{1}}{{1+e^{{-x}}}} \] 这种分段形式既保持逻辑一致性又兼顾性能优化需求[^1]。