Sigmoid激活函数，定义为 σ(x) = 1 / (1 + e^-x)，是神经网络中一种经典的激活函数，因其将输入映射到 (0, 1) 范围而广泛应用于二分类任务。它具有平滑梯度和概率输出的优点，非常适合输出层生成可解释的结果。然而，Sigmoid激活函数也存在梯度消失问题，尤其在深层网络中，当输入过大或过小时，梯度趋近于 0，导致训练停滞。此外，它的非零中心特性和较高计算成本也使其在隐藏层中逐渐被 ReLU 等函数取代。尽管如此，Sigmoid激活函数在当前仍有一些热点应用，比如在 GRU 的门控机制和二分类输出层中表现出色。通过权重初始化、批量归一化等技术，它的局限性可以得到缓解。总之，理解Sigmoid激活函数的特性及其与其他函数的对比，有助于在实践中做出明智选择，优化模型性能。