有一个问题我一直坚持使用以下单极传递函数公式：
f(net)= 1
__________
-net
1 + e
示例有以下内容：
out = 1
____________ = 0.977
-3.75
1 + e
我们如何得出 0.977？
什么是e？
【问题讨论】：
标签： math function neural-network algebra
虽然事实上正确，但其他响应仅提供 e 的值并确认基础计算。这种类型的sigmoid functions 在神经网络中非常普遍，因此可能会欢迎一些额外的见解。
本质上是指数函数（e 的 x 次方），具有非常特征的曲线：
因此指数曲线对于生成“S 形”函数非常有用；顺便说一句，“S”是希腊语中的 Sigma，它提供了“sigmoid”的词源。此类函数通常以问题中显示的公式为模式：
1/(1 + e^-x)
其中 x 是变量。通常，此类函数还包括旨在扩展范围（x 变化显着的输入区域）和/或修改此中间区域中的曲线的常数。
此类函数的结果是，直到输入的特定值，函数是准常数，然后，对于特定范围的输入，函数提供递增的输出，最后超过范围的上限值，函数是准常数。更详细地看，这种 Sigmoid 有一个拐点，它对应于输出变化率的反转，并且还标记了曲线的任一侧区域，其中变化相对而言是最慢的。
反过来，这样的 S 形曲线 (1) 对于归一化神经网络神经元的输出非常有用，或者更一般地说，对于在各种性质的过程中对各种数值进行归一化非常有用。直观地说，这些对应于底层神经元或设备的“sweet spot”或“sweet range”。
(1) 或者，也可能是“递减”形曲线，即具有基本恒定的高值的曲线，在中间范围内减小的值，以及此后的基本恒定的低值。
【讨论】：
'e'是自然对数函数的底，其值等于无穷级数1/n之和！对于 n 从 0 到无穷大。它在 C 标准库或 java Math 包中作为 exp() 函数提供。
如果你计算 1/(1+exp(-3.75)) 你会得到 0.977
【讨论】：
e 是Euler's number == 2.718281828....
如果你将 e 提高到 -3.75 次方，再加一，然后取反，你会得到精确的 0.977022630....
【讨论】：
e = 2.71828... 是base of natural logarithms。它是一个出现在许多不同方程中的数学常数，类似于 π。在做指数和对数时，你会一直看到它。
Plug it into your equation 你得到 0.977。
【讨论】：