sigmoid和softmax

最新推荐文章于 2025-06-12 11:55:31 发布

原创最新推荐文章于 2025-06-12 11:55:31 发布 · 1.1k 阅读

·

0

·

CC 4.0 BY-SA版权

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

文章标签：

#softmax #sigmoid

机器学习专栏收录该内容

3 篇文章

订阅专栏

本文深入解析了Sigmoid和Softmax函数在机器学习中的应用。Sigmoid常用于二元分类，将输入映射到0和1之间，而Softmax则适用于多元分类，将输入序列映射成概率分布，使得每个值处于(0,1)区间，且所有值之和为1。当Softmax应用于二元分类时，其效果等同于Sigmoid。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

sigmoid常用于二元分类，将二元输入映射成0和1。
softmax常用语多元分类，将含有k个值的输入序列映射成k个值的序列，每个值处于(0,1)，且k个值的和为1。
所以可以将映射成的值看做概率，可以根据概率大小作出选择。
当softmax的输入是二元时，就变成了sigmoid。

参考：https://blog.nex3z.com/2017/05/02/sigmoid-%E5%87%BD%E6%95%B0%E5%92%8C-softmax-%E5%87%BD%E6%95%B0%E7%9A%84%E5%8C%BA%E5%88%AB%E5%92%8C%E5%85%B3%E7%B3%BB/

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。