---
title: "S 型函數（Sigmoid Function）"
slug: sigmoid-function
language: zh-TW
source: https://aiterms.tw/terms/sigmoid-function
updated_at: 2026-04-29
tags: [神經網路, 數學基礎]
ipas_term: false
---

# S 型函數（Sigmoid Function）

> **你有沒有在你想把一個分數變成介於 0 和 1 的機率，發現只看表面常常不夠？**
>
> 你可以把它想成一個平滑的開關，分數越大越接近 1，越小越接近 0。
>
> 二分類、門控機制、機率輸出都常需要這種平滑壓縮。
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆
> **ReLU 函數**
> ReLU 像個「開關」，小於零就關掉（變零），大於零就直接傳遞。
> Sigmoid 則像個「漸進式開關」，它會把所有輸入都平滑地壓縮到 0 到 1 之間，特別適合用來表示機率，因為它的輸出總是在這個範圍內。
>
> 最關鍵的區別：先看它是在比意思、比結構，還是在做任務輸出。

### 記住這句就好
> 把分數壓到 0 到 1 之間，就先想到 Sigmoid。

### 實際案例
> 垃圾郵件分類會輸出一個介於 0 和 1 的值，表示是垃圾信的機率。
> LSTM 的 gate 也常用 Sigmoid 來控制資訊要不要放行。

### 算法與應用
> 它把輸入映射成 S 形曲線，輸出永遠落在 0 到 1 之間。
> 和 Softmax 不同，Sigmoid 更適合二分類或多標籤的獨立判斷。

### 情境判斷
> **Q1（直覺題）：** 如果模型只要判斷是或不是，Sigmoid 適合嗎？
>
> → 適合。二分類很常直接用它做輸出。
>
> **Q2（判斷題）：** 如果你要在很多類別中選一個，還會優先用 Sigmoid 嗎？
>
> → 通常不會。看情況，多選一時更常用 Softmax。

### 常見問題
> **Q：S 型函數的輸出值一定是介於 0 和 1 之間嗎？**
> 是的，S 型函數的輸出值永遠介於 0 和 1 之間。這是由於其數學公式的特性所決定的。無論輸入值有多大或多小，經過 S 型函數的轉換，都會被壓縮到這個範圍內。
>
> **Q：S 型函數會被其他函數取代嗎？**
> 在深度學習領域，S 型函數已經逐漸被 ReLU 等其他激活函數所取代，因為 ReLU 在緩解梯度消失問題和提高計算效率方面表現更好。但 S 型函數在某些特定應用場景，例如二元分類問題，仍然有其價值。
>
> **Q：S 型函數在多分類問題中如何應用？**
> 在多分類問題中，通常會使用 Softmax 函數，而不是直接使用 S 型函數。Softmax 函數將多個輸出值轉換為機率分佈，使得所有類別的機率之和等於 1。S 型函數則更適合於二元分類問題。

### 相關術語
> - **深度學習**：Sigmoid 和 Softmax 都是深度學習裡最基本的輸出工具。
> - **機器學習**：很多應用的底層都離不開機器學習。
> - **梯度下降**：看活化函數和輸出層時，常會一起搭配理解。
> - **Softmax 函數**：讀完這個術語，再看它能把範圍往外延伸。
> - **修正線性單元**：它是另一個常見活化函數，最適合一起比較。

---

來源：https://aiterms.tw/terms/sigmoid-function
快查頁：https://aiterms.tw/terms/sigmoid-function
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-sigmoid-function