Функция activations.sigmoid

Функция activations.sigmoid применяет сигмоидальную функцию активации к переданному тензору. Первым параметром функция принимает входной тензор. Сигмоида вычисляется по формуле 1 / (1 + exp(-x)) и возвращает значения в диапазоне от 0 до 1. Чаще всего используется в задачах бинарной классификации и в выходных слоях нейронных сетей.

Синтаксис

tf.keras.activations.sigmoid(x)

Пример

Давайте применим сигмоиду к тензору из списка чисел:

import tensorflow as tf

t = tf.constant([1, 2, 3, 4, 5], dtype=tf.float32)
res = tf.keras.activations.sigmoid(t)
print(res)

Результат выполнения кода:

tf.Tensor([0.7310586 0.8807971 0.95257413 0.98201376 0.9933072 ], shape=(5,), dtype=float32)

Пример

Давайте применим сигмоиду к отрицательным числам и нулю:

import tensorflow as tf

t = tf.constant([-3, -1, 0, 1, 3], dtype=tf.float32)
res = tf.keras.activations.sigmoid(t)
print(res)

Результат выполнения кода:

tf.Tensor([0.04742587 0.26894143 0.5 0.7310586 0.95257413], shape=(5,), dtype=float32)

Пример

Давайте применим сигмоиду к двумерному тензору:

import tensorflow as tf

t = tf.constant([[1, 2, 3], [4, 5, 6]], dtype=tf.float32)
res = tf.keras.activations.sigmoid(t)
print(res)

Результат выполнения кода:

tf.Tensor(
[[0.7310586  0.8807971  0.95257413]
 [0.98201376 0.9933072  0.99752736]], shape=(2, 3), dtype=float32)

Пример

Давайте используем сигмоиду в качестве функции активации слоя:

import tensorflow as tf

model = tf.keras.Sequential([
	tf.keras.layers.Dense(3, activation=tf.keras.activations.sigmoid)
])
t = tf.constant([[1, 2, 3]], dtype=tf.float32)
res = model(t)
print(res)

Результат выполнения кода:

tf.Tensor([[0.42315763 0.6700733 0.5362547 ]], shape=(1, 3), dtype=float32)

Смотрите также

функцию relu,
которая применяет активацию ReLU
функцию softmax,
которая применяет активацию softmax
функцию tanh,
которая применяет гиперболический тангенс
функцию BinaryCrossentropy,
которая вычисляет бинарную кросс-энтропию