有一个问题我坚持使用以下公式进行单极传递函数：
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？
答案 0 :(得分：3)
e = 2.71828 ...是base of natural logarithms。这是一个数学常数，出现在许多不同的方程中，类似于π。在进行指数和对数时，你会一直看到它。
Plug it into your equation你得到0.977。
答案 1 :(得分：3)
虽然事实上正确，但其他答案仅提供e的值并确认基础计算。这种类型的sigmoid functions在神经网络中无处不在，可能会有一些额外的见解。
基本上指数函数（e到x幂）具有非常特征的曲线：
结果指数曲线对于产生“S形”函数非常有用; BTW，“S”是希腊语中的Sigma，它提供了“ sigmoid ”的词源。这些功能通常根据问题中显示的公式进行图案化：
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的常数（x中的变化显着的输入区域）和/或修改此中间区域中的曲线。 这些函数的结果是直到输入的特定值，函数是准常数，然后，对于特定范围的输入，函数提供增加的输出，并最终超过范围的上限值，函数是准常数。同样在查看更多细节时，这样的Sigmoids有一个拐点，它对应于ouptut的变化率的反转，并且还标记曲线的一个区域，在两侧，变化是相对最慢的。 / p>
反过来，这样的S形曲线（1）对于归一化神经网络神经元的输出非常有用，或者更一般地，在各种性质的过程中归一化各种数值。直观地，这些对应于底层神经元或设备的“ 最佳位置 ”或“ 甜蜜范围 ”。
（1）或者也可能是“降压”形状的曲线，即曲线具有大致恒定的高值，中间范围内的减小值，以及之后的大部分恒定值。
答案 2 :(得分：1)
e是Euler's number == 2.718281828 ....
如果你把e增加到-3.75的力量，加一个，然后反过来，你就会得到0.977022630 .......
答案 3 :(得分：1)
'e'是自然对数函数的基础，其值等于无限级数1 / n的总和！ n从0到无穷大。它在C标准库或java Math包中可用作exp（）函数。
如果你评价1 /（1 + exp（-3.75）），你会得到0.977