`scipy.special.expit` 是 SciPy 提供的一个函数，用于计算 Sigmoid 函数的值。Sigmoid 函数在机器学习和神经网络中广泛应用，其数学形式为： $$ \sigma(x) = \frac{1}{1 + e^{-x}} $$ 相比直接使用 `numpy.exp()` 实现 Sigmoid 函数，`expit` 在数值稳定性方面表现更好，尤其是在处理非常大的正数或非常小的负数时，能够有效避免下溢或上溢问题[^4]。 ### 使用方法 #### 导入 `expit` 函数 首先需要导入 `scipy.special` 模块，并从中调用 `expit` 函数： ```python from scipy.special import expit import numpy as np ``` #### 基本示例 以下是一个简单的例子，展示如何对一个 NumPy 数组应用 `expit` 函数： ```python x = np.array([-2.0, -1.0, 0.0, 1.0, 2.0]) sigmoid_values = expit(x) print(sigmoid_values) ``` 输出结果将是一个包含 Sigmoid 转换后的值的数组。 #### 处理极端值 `expit` 可以很好地处理极端输入值，例如 `np.inf` 和 `-np.inf`： ```python extreme_values = np.array([-np.inf, 0, np.inf]) print(expit(extreme_values)) # 输出: [0. 0.5 1.] ``` #### 绘制 Sigmoid 曲线 可以使用 `matplotlib` 对 `expit` 的输出进行可视化： ```python import matplotlib.pyplot as plt x = np.linspace(-6, 6, 121) y = expit(x) plt.plot(x, y) plt.grid() plt.xlim(-6, 6) plt.xlabel('x') plt.title('Sigmoid Function (expit)') plt.show() ``` #### 在神经网络中的应用 在构建神经网络时，`expit` 可以作为激活函数来实现非线性变换。例如，将其定义为类中的激活函数： ```python class NeuralNetwork: def activation_function(self, x): return expit(x) ``` 也可以使用匿名函数的方式简洁地定义激活函数： ```python activation_function = lambda x: expit(x) ``` #### 注意事项 - 确保安装了支持 `expit` 的 SciPy 版本（建议版本 ≥ 1.0.0）。 - 如果遇到找不到 `expit` 的问题，请尝试更新或重新安装 SciPy： ```bash pip install --upgrade scipy ``` ---