Sigmoid
探索 Sigmoid 函数在机器学习中的作用。了解该激活函数如何实现 Ultralytics YOLO26 等模型中的二元分类。
Sigmoid 函数是机器学习 (ML) 和深度学习 (DL) 领域中广泛使用的基础数学组件。它通常被称为“压缩函数”，它将任何实数值作为输入，并将其映射到 0 到 1 之间的值。这种独特的“S”形曲线使其在将原始模型输出转换为可解释的概率方面非常有用。在神经网络 (NN) 的背景下，Sigmoid 函数充当激活函数，引入了非线性，使模型能够学习超越简单线性关系的复杂模式。虽然它在深层隐藏层中已在很大程度上被其他函数所取代，但它仍然是二元分类任务输出层的标准选择。
Link to this sectionSigmoid 在 AI 中的机制#
Sigmoid 函数的核心作用是将输入数据（通常称为 logits）转换为归一化范围。这种转换对于预测事件发生可能性的任务至关重要。通过将输出限制在 0 到 1 之间，该函数提供了一个清晰的概率评分。
- 逻辑回归： 在传统统计建模中，Sigmoid 是逻辑回归背后的引擎。它允许数据科学家估计二元结果的概率，例如客户是流失还是留存。
- 二元分类： 对于旨在区分两个类别（例如，“猫”与“狗”）的神经网络，最后一层通常采用 Sigmoid 激活。如果输出大于某个阈值（通常为 0.5），模型就会预测为正类。
- 多标签分类： 与类别互斥的多分类问题不同，多标签任务允许图像或文本同时属于多个类别。在这里，Sigmoid 被独立应用于每个输出节点，使模型能够同时检测场景中的“汽车”和“行人”而不会产生冲突。
Link to this section与其它激活函数的主要区别#
虽然 Sigmoid 曾经是所有层的默认选择，但研究人员发现了诸如梯度消失之类的问题，即梯度变得太小而无法在深层网络中有效地更新权重。这导致了在隐藏层中采用其他替代方案。
- Sigmoid 与 ReLU (线性整流函数)： ReLU 在计算上更快，并且通过在输入为正时直接输出、否则输出零来避免梯度消失。它是像 YOLO26 这样的现代架构中隐藏层的首选，而 Sigmoid 则保留用于特定任务的最终输出层。
- Sigmoid 与 Softmax： 两者都将输出映射到 0-1 范围，但它们用途不同。Sigmoid 独立处理每个输出，使其成为二元或多标签任务的理想选择。Softmax 强制所有输出之和为 1，从而创建用于多分类的概率分布，其中只有一个类别是正确的。
Link to this section实际应用#
Sigmoid 函数的用途广泛，延伸至需要概率估计的各个行业。
-
医学诊断： 用于医学图像分析的 AI 模型通常使用 Sigmoid 输出，来预测 X 射线或 MRI 扫描中存在某种疾病的概率。例如，模型可能输出 0.85，表示肿瘤的可能性为 85%，从而辅助医生进行早期发现。
-
垃圾邮件检测： 电子邮件过滤系统利用带有 Sigmoid 分类器的自然语言处理 (NLP) 模型来确定传入的消息是“垃圾邮件”还是“非垃圾邮件”。模型会分析关键词和元数据，输出一个分数，决定电子邮件是进入收件箱还是垃圾邮件文件夹。
Link to this section实际实施#
你可以使用 PyTorch（一种用于构建深度学习模型的流行库）观察 Sigmoid 如何转换数据。这个简单的示例演示了它对一系列输入值的“压缩”效果。
import torch
import torch.nn as nn
# Create a Sigmoid layer
sigmoid = nn.Sigmoid()
# Define input data (logits) ranging from negative to positive
input_data = torch.tensor([-5.0, -1.0, 0.0, 1.0, 5.0])
# Apply Sigmoid to squash values between 0 and 1
output = sigmoid(input_data)
print(f"Input: {input_data}")
print(f"Output: {output}")
# Output values near 0 for negative inputs, 0.5 for 0, and near 1 for positive inputsFor those looking to train models that utilize these concepts without writing low-level code, the Ultralytics Platform offers an intuitive interface to manage datasets and train state-of-the-art models like YOLO26. By handling the architectural complexities automatically, it allows users to focus on gathering high-quality training data for their specific computer vision applications.
