Math 有助于理解单极传递函数

对于单极传递函数，我一直坚持使用以下公式：

f(net)=     1
         __________
               -net
         1 + e 

该示例具有以下内容：

out =        1
        ____________  = 0.977
               -3.75
        1 + e

我们如何到达0.977

什么是e？

e=2.71828。。。是的。这是一个数学常数，出现在许多不同的方程中，类似于π。在做指数和对数时，你会一直看到它

你得到0.977。

e=2.718281828

---

如果你把e提高到-3.75次方，再加上一，取反，你会得到0.977022630

“e”是自然对数函数的基，其值等于无穷级数的和1/n！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）），你将得到0.977

，而事实上，其他回答只提供了e值并确认了基础计算。这种类型的神经网络非常普遍，因此一些额外的见解可能是受欢迎的

基本上，指数函数（e到x的幂）有一个非常典型的曲线：

• 在零处基本平坦（实际上略高于零），从-无穷大到大约-2
• 逐渐向垂直方向急转弯，大约在-2和+4之间
• 准“垂直”，值超过150，且越来越大，从+5到无穷大

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所示的公式为模式：

 1/(1 + e^-x)

其中x是变量。通常，此类函数还包括旨在拉伸范围（x变化显著的输入区域）和/或修改中间区域曲线的常数。
此类函数的结果是，在输入的特定值之前，函数是准常量，然后，对于特定的输入范围，函数提供递增的输出，最后超过范围的上限值，函数是准常量。从更详细的角度来看，此类S形曲线有一个拐点，对应于ouptut变化率的反转，并且在曲线的任意一侧标记一个区域，其中变化相对来说最慢

反过来，这样的S形曲线（1）对于规范化神经网络神经元的输出非常有用，或者更一般地，对于规范化各种性质过程中的各种数值非常有用。直觉上，这些对应于潜在神经元或装置的“最佳点”或“最佳范围”

（1） 或者，也可能是“降压”形状的曲线，即具有大部分恒定的高值、中等范围内的下降值以及此后的大部分恒定值的低值的曲线