下面是如何以数字稳定的方式实现逻辑sigmoid(如这里所述):

def sigmoid(x):
    "Numerically-stable sigmoid function."
    if x >= 0:
        z = exp(-x)
        return 1 / (1 + z)
    else:
        z = exp(x)
        return z / (1 + z)

或许这句话更准确:

import numpy as np

def sigmoid(x):  
    return np.exp(-np.logaddexp(0, -x))

在内部，它实现了与上面相同的条件，但随后使用log1p。

一般而言，多项logistic乙型为:

def nat_to_exp(q):
    max_q = max(0.0, np.max(q))
    rebased_q = q - max_q
    return np.exp(rebased_q - np.logaddexp(-max_q, np.logaddexp.reduce(rebased_q)))

(然而,logaddexp。Reduce可能更准确。)

下面是如何以数字稳定的方式实现逻辑sigmoid(如这里所述):

def sigmoid(x):
    "Numerically-stable sigmoid function."
    if x >= 0:
        z = exp(-x)
        return 1 / (1 + z)
    else:
        z = exp(x)
        return z / (1 + z)

或许这句话更准确:

import numpy as np

def sigmoid(x):  
    return np.exp(-np.logaddexp(0, -x))

在内部，它实现了与上面相同的条件，但随后使用log1p。

一般而言，多项logistic乙型为:

def nat_to_exp(q):
    max_q = max(0.0, np.max(q))
    rebased_q = q - max_q
    return np.exp(rebased_q - np.logaddexp(-max_q, np.logaddexp.reduce(rebased_q)))

(然而,logaddexp。Reduce可能更准确。)

一个班轮…

In[1]: import numpy as np

In[2]: sigmoid=lambda x: 1 / (1 + np.exp(-x))

In[3]: sigmoid(3)
Out[3]: 0.9525741268224334

这应该做到:

import math

def sigmoid(x):
  return 1 / (1 + math.exp(-x))

现在你可以通过调用:

>>> sigmoid(0.458)
0.61253961344091512

更新:请注意，上面的操作主要是将给定表达式直接一对一地转换为Python代码。它没有经过测试，也没有被认为是一个数字上可靠的实现。如果你知道你需要一个非常健壮的实现，我相信其他人已经考虑过这个问题了。

另一种方式

>>> def sigmoid(x):
...     return 1 /(1+(math.e**-x))
...
>>> sigmoid(0.458)

使用pandas DataFrame/Series或numpy数组时的向量化方法:

上面的答案是用于单点计算的优化方法，但当你想将这些方法应用到pandas系列或numpy数组时，它需要apply，这基本上是在后台进行循环，将遍历每一行并应用该方法。这是非常低效的。

为了加速我们的代码，我们可以使用向量化和numpy广播:

x = np.arange(-5,5)
np.divide(1, 1+np.exp(-x))

0    0.006693
1    0.017986
2    0.047426
3    0.119203
4    0.268941
5    0.500000
6    0.731059
7    0.880797
8    0.952574
9    0.982014
dtype: float64

或与熊猫系列:

x = pd.Series(np.arange(-5,5))
np.divide(1, 1+np.exp(-x))