首页 > 试题广场 >

sigmoid函数特性

导数的值域为(0,0.25】,深层网络反向传播梯度消失原因之一。

发表于 2019-04-16 00:08:17 回复(0)
值域是(0,1)。
发表于 2019-04-09 10:43:53 回复(0)

定义域(-∞,+∞),值域(0,1),S形函数,中间梯度大,越趋于两端梯度越小,容易梯度消失,函数为 f=1/(1-e^x),导数为y=y(1-y)

编辑于 2019-10-30 00:05:19 回复(0)
输入的绝对值变大时,导数非常接近0,反向传播时存在梯度消失的问题
发表于 2021-03-09 10:02:06 回复(0)
<p>将值固定在0-1之间,</p>
发表于 2020-05-29 22:39:15 回复(0)
sigmod函数值域为(0,1)
发表于 2019-05-27 09:04:50 回复(0)
与其他激活函数区别
发表于 2021-10-11 10:25:22 回复(0)
定义域(-∞,+∞) 值域(0,1) 中间梯度大,越趋于两端梯度越小 函数为 f=1/(1-e^x) 导数为y=y(1-y)
发表于 2021-06-20 00:46:30 回复(0)
sigomid激活函数定义域为R,值域(0,1),具有概率性质。求导形式简单,对于深度学习进行反向传播,计算方便。但只在靠近0临域处,梯度比较大,所以在反向传播过程,很可能出现梯度消失问题,所以在每一层网络中可以考虑加入批归一化操作,归一化范围为(-1,1)。
发表于 2021-01-31 21:04:26 回复(0)

x轴可以取任何值,y在0-1之间

发表于 2020-04-01 23:53:46 回复(0)

值域0-1

发表于 2020-02-01 12:14:51 回复(0)

sigmoid取值0-1之间,越靠近正负半轴值变化越小,故而会存在gradient staurant

发表于 2020-01-31 02:33:16 回复(0)

值域为0-1,处处可导


发表于 2020-01-06 09:37:11 回复(0)

至于范围在0到1,输入越接近0梯度越大

发表于 2019-11-12 22:22:38 回复(0)

值域在(-1,1)之间,连续

发表于 2019-11-04 10:42:38 回复(0)

尽可能的区分了0和1

发表于 2019-10-11 14:13:03 回复(0)

值的范围是0到1


发表于 2019-09-14 13:42:52 回复(0)

1 当输入过大或者过小的时候,导数为0

2 值域为0-1

3 导数为fx(1-fx)

编辑于 2019-09-03 20:55:25 回复(0)

定义域为R,值域为[0,1]

函数处处可导,导数值域为(0,0.25]

编辑于 2019-07-24 10:27:59 回复(0)

sigmoid特性

定义域为负无穷到正无穷

值域为-1到1,且自变量为0时,函数值为0.5

处处可导,结果为fx*(1-fx)


编辑于 2019-07-20 08:10:11 回复(0)