我试图理解Sigmoid函数导数在神经网络中的作用。

首先，我使用Python绘制了Sigmoid函数及其所有点从定义上得到的导数。那么，这个导数的具体作用是什么呢？

但我发现了这个:

来源: http://www.ai.mit.edu/courses/6.892/lecture8-html/sld015.htm

当我绘制这个导数的结果时，我得到了

完全不同的图形。为什么会这样？这些导数有什么不同？

第二个图形的绘制代码

回答：

Sigmoid函数的导数公式为s(x) * (1 - s(x))，其中s是Sigmoid函数。

Sigmoid函数的优势在于它的导数非常容易计算 – 它是基于原始函数的表达方式。

def __sigmoid_derivative(x):    return sigmoid(x) * (1 - sigmoid(x))

因此，你会得到

你引用的另一种方法，即

def __sigmoid_derivative(x):    return x * (1 - x)

假设x已经是Sigmoid函数的输出，因此不需要再次计算。