第589章 国王的信任函数[2/2页]

天才一秒记住本站地址：[妙书坊]https://m.miaoshufangxs.com最快更新！无广告！

    nbsp; 如果评分特别低（比如

    10），Sigmoid

    计算后信任值接近

    0

    →

    完全不信任，拒绝任命！

    ?

    如果评分在

    0

    左右，Sigmoid

    计算后信任值约

    0.5

    →

    国王犹豫不决，保持中立。

    比喻：

    这个“信任值”就是

    Sigmoid

    的输出，它是一个平滑的

    0~1

    之间的数值，不会突然从

    0

    变成

    1，而是渐变地调整决策。

    3.

    让决策更柔和，而不是突然改变（平滑性）

    在现实中，决策往往不是“全有或全无”，比如：

    ?

    你不会因为听到一个好评，就立刻

    100%

    相信某家餐厅，而是会根据多个评价逐渐形成判断。

    ?

    你不会因为一场小失误，就彻底放弃信任一个朋友，而是会根据长期表现调整信任度。

    Sigmoid

    就是这样，它不会让神经元的决策“突然开关”，而是让它有一个平滑的渐变过程**，更加符合现实逻辑。

    另一种比喻：光线调节器

    vs.

    开关

    想象一个房间，你可以用两种方式来控制灯光：

    ①

    普通开关（阶跃函数）：

    ?

    要么开（1），要么关（0），没有中间状态。

    ②

    旋钮调光器（Sigmoid

    函数）：

    ?

    你可以逐渐调节亮度，不是一下子从暗到亮，而是随着旋钮的转动，灯光慢慢变化。

    Sigmoid

    就像一个调光器，能让输出值在

    0~1

    之间平滑过渡，不是突然跳变。

    结论：Sigmoid

    函数的关键作用

    它将输入值映射到

    0~1

    之间，让输出变得可解释（类似概率）。

    它不会突然改变决策，而是逐步调整，使得神经网络可以处理不确定性。

    它适用于二分类任务，比如判断“邮件是垃圾邮件（1）还是正常邮件（0）”。

    但它在深度网络中容易出现梯度消失问题，因此现代

    AI

    里通常用

    ReLU

    替代

    Sigmoid。

    思考：你觉得在现实生活中，还有哪些决策符合

    Sigmoid

    的“平滑渐变”特点？

第589章 国王的信任函数[2/2页]

『加入书签，方便阅读』