{
  "id": "logistic-function",
  "title": "逻辑斯蒂函数",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "逻辑斯蒂函数是一种S形函数，用于描述有界增长、将对数几率转换为概率，以及为神经网络提供非线性激活。",
  "category": "mathematics",
  "subcategory": "analysis",
  "type": "concept",
  "aliases": [
    "逻辑斯蒂曲线",
    "逻辑函数",
    "逆对数几率函数"
  ],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/logistic-function/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/logistic-function/",
      "json": "https://aiwiki.page/en/logistic-function.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "逻辑斯蒂函数是一种光滑的函数，描述两个极限值之间的S形过渡。其标准形式为 \\(\\sigma(x)=1/(1+e^{-x})\\)，将任意实数映射到开区间 \\((0,1)\\)。它广泛用于有界的种群增长模型、统计学和机器学习，可将不受范围限制的数值评分转换为可解释为概率的值。标准逻辑斯蒂函数常被称为 sigmoid 函数，但 sigmoid 的含义更广泛，泛指一类S形函数。(arxiv.org)"
    },
    {
      "heading": "定义与参数",
      "text": "一种常用的参数化形式为\n\n\\[f(x)=\\frac{L}{1+e^{-k(x-x_0)}},\\]\n\n其中，\\(L>0\\) 是上限值，\\(k>0\\) 控制曲线的陡峭程度，\\(x_0\\) 确定中点的位置。这一形式由标准函数平移和缩放而来，满足 \\(f(x_0)=L/2\\)。当 \\(x\\to-\\infty\\) 时，其极限为零；当 \\(x\\to+\\infty\\) 时，其极限为 \\(L\\)。\\(k\\) 为负时，过渡方向反转；\\(k=0\\) 时，函数恒等于 \\(L/2\\)。这些性质都可由定义式直接得出。(arxiv.org)\n\n标准函数对应于 \\(L=k=1\\)、\\(x_0=0\\)。它满足\n\n\\[\\sigma(-x)=1-\\sigma(x),\\]\n\n因此，其图像关于点 \\((0,1/2)\\) 中心对称。它与双曲函数的关系为\n\n\\[\\sigma(x)=\\frac{1+\\tanh(x/2)}{2}.\\]\n\n因此，逻辑斯蒂 sigmoid 函数与双曲正切函数的区别仅在于输入和输出的缩放与平移。(stat.ethz.ch)"
    },
    {
      "heading": "微积分与反函数",
      "text": "对标准函数求导，可得一个特别实用的恒等式：\n\n\\[\\sigma'(x)=\\sigma(x)\\bigl(1-\\sigma(x)\\bigr).\\]\n\n该导数处处为正，说明函数严格单调递增。导数的最大值为 \\(1/4\\)，在 \\(x=0\\) 处取得。再次求导得\n\n\\[\\sigma''(x)=\\sigma(x)(1-\\sigma(x))(1-2\\sigma(x)).\\]\n\n因此，输入为负时曲线是凸的，输入为正时曲线是凹的，拐点位于零处。对于参数化曲线，最大斜率为 \\(Lk/4\\)，在 \\(x_0\\) 处取得。这些结果都可直接通过求导得到。(developers.google.com)\n\n标准函数的反函数是对数几率函数：\n\n\\[\\sigma^{-1}(p)=\\ln\\frac{p}{1-p},\\qquad 0<p<1.\\]\n\n比值 \\(p/(1-p)\\) 称为几率，因此逻辑斯蒂函数将对数几率转换为概率。它也因此被称为逆对数几率函数或 expit。(stat.ethz.ch)\n\n它的不定积分可用初等函数表示如下，对右侧表达式求导即可验证：\n\n\\[\\int \\sigma(x)\\,dx=\\ln(1+e^x)+C.\\]\n\n该函数光滑，且导数形式简单，因而便于进行解析计算和基于梯度的计算。(classic.d2l.ai)"
    },
    {
      "heading": "逻辑斯蒂增长",
      "text": "逻辑斯蒂增长方程是一个一阶微分方程：\n\n\\[\\frac{dP}{dt}=rP\\left(1-\\frac{P}{K}\\right),\\]\n\n其中，\\(P(t)\\) 表示种群数量，\\(r>0\\) 是内禀增长率参数，\\(K>0\\) 是环境容纳量。该方程描述了种群数量接近固定的环境上限时，人均增长率逐渐下降的现象。这个方程与皮埃尔-弗朗索瓦·费尔许尔斯特有关。(arxiv.org)\n\n若 \\(P(0)=P_0\\)，且 \\(0<P_0<K\\)，其解为\n\n\\[P(t)=\\frac{K}{1+A e^{-rt}}, \\qquad A=\\frac{K-P_0}{P_0}.\\]\n\n这是一条逻辑斯蒂曲线，其中点对应的时间为 \\(\\ln(A)/r\\)。当 \\(P\\ll K\\) 时，该方程近似描述指数增长；当 \\(P\\) 接近 \\(K\\) 时，增长逐渐放缓并趋于零。绝对增长率在 \\(P=K/2\\) 时达到最大。该模型假定参数固定，且种群对密度变化的响应是即时的，并未纳入资源变化或延迟效应。(arxiv.org)"
    },
    {
      "heading": "概率分布",
      "text": "逻辑斯蒂函数也是逻辑斯蒂分布的累积分布函数。对于位置参数 \\(\\mu\\) 和尺度参数 \\(s>0\\)，有\n\n\\[F(x)=\\sigma\\left(\\frac{x-\\mu}{s}\\right).\\]\n\n其概率密度函数为\n\n\\[g(x)=\\frac{1}{s}F(x)(1-F(x)).\\]\n\n该分布关于 \\(\\mu\\) 对称，期望值为 \\(\\mu\\)，方差为 \\(\\pi^2s^2/3\\)。应注意区分其S形的累积分布曲线与钟形的概率密度曲线。(stat.ethz.ch)"
    },
    {
      "heading": "统计学习与神经网络",
      "text": "在逻辑回归中，由输入特征构成的评分被转换为条件概率：\n\n\\[z=b+\\sum_j w_jx_j, \\qquad P(Y=1\\mid x)=\\sigma(z).\\]\n\n由此，模型使对数几率成为特征的线性函数，同时确保有限评分所对应的预测概率严格介于零和一之间。该函数本身并不是分类器：要将概率转换为类别，还需要单独设置决策阈值。(developers.google.com)\n\n一种常用的损失函数是二元交叉熵：\n\n\\[\\ell(y,p)=-y\\ln p-(1-y)\\ln(1-p).\\]\n\n代入 \\(p=\\sigma(z)\\) 并求导，可得 \\(\\partial\\ell/\\partial z=p-y\\)。这一简洁的表达式在训练中很有用。(developers.google.com)\n\n在人工神经网络中，逻辑斯蒂 sigmoid 函数可用作激活函数。当输入的绝对值很大时，其导数趋于零。在反向传播过程中，较小的导数反复相乘可能导致梯度消失问题，尤其是在跨越许多层时。(classic.d2l.ai)"
    },
    {
      "heading": "数值计算",
      "text": "在浮点运算中，直接计算可能遇到溢出或精度损失。一个代数上等价的分段形式为\n\n\\[\\sigma(x)= \\begin{cases} 1/(1+e^{-x}),&x\\ge0,\\\\ e^x/(1+e^x),&x<0. \\end{cases}\\]\n\n这种形式避免了对很大的正数计算指数函数。数学上的输出始终严格位于 \\((0,1)\\) 内，但有限精度的计算结果可能舍入到区间端点。专门计算 \\(\\ln\\sigma(x)\\) 的实现可以避免先对 sigmoid 值舍入、再取对数时可能发生的精度损失。(docs.scipy.org)"
    }
  ],
  "links": [
    "mathematical-function",
    "real-number",
    "statistics",
    "machine-learning",
    "probability",
    "limit",
    "hyperbolic-functions",
    "derivative",
    "logit",
    "integral",
    "differential-equation",
    "carrying-capacity",
    "pierre-francois-verhulst",
    "cumulative-distribution-function",
    "probability-density-function",
    "expected-value",
    "variance",
    "logistic-regression",
    "loss-function",
    "cross-entropy",
    "artificial-neural-network",
    "activation-function",
    "backpropagation",
    "vanishing-gradient-problem",
    "floating-point-arithmetic"
  ],
  "sources": [
    {
      "title": "arxiv.org/abs/0706.3163",
      "url": "https://arxiv.org/abs/0706.3163"
    },
    {
      "title": "stat.ethz.ch/R-manual/R-devel/library/stats/html/Logistic.html",
      "url": "https://www.stat.ethz.ch/R-manual/R-devel/library/stats/html/Logistic.html"
    },
    {
      "title": "developers.google.com/machine-learning/glossary/fundamentals",
      "url": "https://developers.google.com/machine-learning/glossary/fundamentals"
    },
    {
      "title": "classic.d2l.ai/chapter_multilayer-perceptrons/numerical-stability-and-init.html",
      "url": "https://classic.d2l.ai/chapter_multilayer-perceptrons/numerical-stability-and-init.html"
    },
    {
      "title": "developers.google.com/machine-learning/crash-course/logistic-regression/sigmoid…",
      "url": "https://developers.google.com/machine-learning/crash-course/logistic-regression/sigmoid-function?authuser=63"
    },
    {
      "title": "developers.google.com/machine-learning/crash-course/logistic-regression/loss-re…",
      "url": "https://developers.google.com/machine-learning/crash-course/logistic-regression/loss-regularization?hl=en"
    },
    {
      "title": "docs.scipy.org/doc/scipy/reference/generated/scipy.special.expit.html",
      "url": "https://docs.scipy.org/doc/scipy/reference/generated/scipy.special.expit.html"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}