Python | TensorFlow nn.sigmoid()

介绍

Python | TensorFlow nn.sigmoid() 是 TensorFlow 模块中的一个函数，它用于实现 sigmoid 激活函数。

在深度学习中，激活函数（Activation Function）是一种非线性变换，用于将线性输入映射到非线性输出。其中 sigmoid 函数是一种常用的激活函数，它将输入值映射到一个范围在 0 到 1 之间的值。

在 TensorFlow 中，可以使用 nn.sigmoid() 函数将输入进行 sigmoid 变换。

语法

tf.nn.sigmoid(x, name=None)

参数说明：

• x：一个 Tensor，输入张量。
• name：操作的名称（可选参数）。

返回值：

• 一个 Tensor，sigmoid 变换后的张量。

示例代码

import tensorflow as tf

# 定义输入张量 x
x = tf.constant([-2, -1, 0, 1, 2], dtype=tf.float32)

# 使用 nn.sigmoid() 函数进行 sigmoid 变换
y = tf.nn.sigmoid(x)

# 创建一个 TensorFlow 会话（Session），并运行 y 张量
with tf.Session() as sess:
    print(sess.run(y))

输出结果为：

[0.11920292 0.26894143 0.5        0.7310586  0.8807971 ]

应用举例

sigmoid 函数可以用于解决二分类问题。在训练神经网络时，经过全连接层后的输出结果经过 sigmoid 函数变换，可以将输出结果映射到一个概率值，用于判断输入数据属于哪一类。

下面是一个简单的示例代码：

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

# 加载 MNIST 数据集
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

# 定义输入和输出张量
x = tf.placeholder(tf.float32, [None, 784])
y_true = tf.placeholder(tf.float32, [None, 10])

# 定义神经网络模型
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))
y_pred = tf.nn.softmax(tf.matmul(x, W) + b)

# 定义损失函数和优化器
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_true * tf.log(y_pred), reduction_indices=[1]))
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

# 定义正确率张量
correct_prediction = tf.equal(tf.argmax(y_pred, 1), tf.argmax(y_true, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

# 创建 TensorFlow 会话（Session），并训练模型
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    for i in range(1000):
        batch_xs, batch_ys = mnist.train.next_batch(100)
        sess.run(train_step, feed_dict={x: batch_xs, y_true: batch_ys})
        if i % 100 == 0:
            acc = sess.run(accuracy, feed_dict={x: mnist.test.images, y_true: mnist.test.labels})
            print("Step %d, Accuracy %g" % (i, acc))

通过运行这个程序，可以在 MNIST 数据集上训练出一个简单的神经网络，并获得其在测试集上的准确率。