第九天，numpy的阶跃函数、sigmoid函数和RELU函数

本文链接：https://blog.youkuaiyun.com/qq_30078751/article/details/88410539

本文介绍了在机器学习入门阶段使用numpy处理数组时，涉及的三个重要函数——阶跃函数、sigmoid函数和ReLU函数。通过matplotlib可视化，展示了这三个函数的图形特性，其中阶跃函数呈现折线效果，而sigmoid函数和平滑的ReLU函数则展现出不同的曲线形状。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

入门机器学习之前要懂得运用numpy的一些数组函数进行操作，今天就学习三个深度学习相关的函数
一个是阶跃函数，一个是sigmoid函数，还有一个是relu函数，用matplotlib显示出来，这三个个都是生成阶跃函数，但是两个个是折线，另一个是平滑的曲线，先来看看代码。

import numpy as np
import matplotlib as plt

def function(x):
    return np.array(x>0,dtype = np.int)
Ty =np.arange(-5.0,5.0,0.1)  # 生成 -5.0 到5.0 步进为0.1 的矩阵
T = function(Ty)
plt.plot(Ty,T)
plt.ylim(-0.1,1.1)
plt.show
1

2
def function(x):
3
    return np.array(x>0,dtype = np.int)
4
Ty =np.arange(-5.0,5.0,0.1)  # 生成 -5.0 到5.0 步进为0.1 的矩阵
5
T = function(Ty)
6
plt.plot(Ty,T)
7
plt.ylim(-0.1,1.1)
8
plt.show
Out[27]:
!阶跃函数](https://img-blog.csdnimg.cn/20190311213559393.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMwMDc4NzUx,size_16,color_FFFFFF,t_70)



1
def sigmoid_fun(x):
2
    return 1/(1+np.exp(-x))
3
R_l = np.arange(-5.0,5.0,0.1)
4

5
R_y = sigmoid_fun(R_l)
6

7
plt.plot(R_l,R_y)
8

9
plt.ylim(-0.1,1.1)
10
plt.show()
11

12
![平滑的曲线](https://img-blog.csdnimg.cn/20190311213523180.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMwMDc4NzUx,size_16,color_FFFFFF,t_70)
13

14


def Relu_function(x):                 # 输入一个数，如果小于等于0，则输出0，如果大于0，则返回该数
    return np.maximum(0,x)

R_x = np.arange(-1.2,2.5,0.05)   # 生成 -1.2 到2.5 步进为0.1的数组
R_Y = Relu_function(R_x) 
plt.plot(R_x,R_Y)
plt.ylim(-2.0,3)
plt.show()

输出 ：
![折线](https://img-blog.csdnimg.cn/20190311221600657.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMwMDc4NzUx,size_16,color_FFFFFF,t_70)

函数中的exp（-x）其实就是e^(-x) , e就是纳皮尔常数 2.7182。。。。