torch.exp()和torch.sigmoid()函数详解与示例

在PyTorch中，torch.exp()和torch.sigmoid()是两个常用的函数，用于计算指数和逻辑斯蒂映射。下面我们将分别介绍它们的定义、功能和示例。

一、torch.exp()函数

torch.exp()是PyTorch中用于计算指数的函数。它接受一个张量作为输入，并返回该张量的指数值。指数函数在数学上定义为e的x次方，其中e是自然对数的底数（约等于2.71828）。
函数定义：

import torch
x = torch.tensor([1.0, 2.0, 3.0])
y = torch.exp(x)

功能解释：

• 输入：torch.exp()接受一个张量作为输入，可以是标量、向量或矩阵等。
• 输出：返回输入张量的指数值。对于标量输入，返回其指数值；对于向量或矩阵输入，返回相同形状的张量，其中每个元素都是输入对应元素的指数值。
• 应用场景：在机器学习和深度学习中，指数函数常用于激活函数、概率建模和指数分布等场景。
  示例：

  import torch
  # 标量输入
  x = torch.tensor(2.0)
  y = torch.exp(x)  # 输出：tensor(7.3890560989306495)
  # 向量输入
  x = torch.tensor([1.0, 2.0, 3.0])
  y = torch.exp(x)
  print(y)  # 输出：tensor([ 2.71828175,  7.38905609, 20.08553692])

  二、torch.sigmoid()函数

---

torch.sigmoid()是PyTorch中用于计算逻辑斯蒂映射的函数。逻辑斯蒂映射将输入值映射到0到1之间，常用于二分类问题的概率估计。
函数定义：

import torch
x = torch.tensor([-1.0, 0.0, 1.0])
y = torch.sigmoid(x)

功能解释：

• 输入：torch.sigmoid()接受一个张量作为输入，可以是标量、向量或矩阵等。
• 输出：返回输入张量的逻辑斯蒂映射值，将输入值映射到0到1之间。对于标量输入，返回[0, 1]之间的值；对于向量或矩阵输入，返回相同形状的张量，其中每个元素都是输入对应元素的逻辑斯蒂映射值。
• 应用场景：在机器学习和深度学习中，逻辑斯蒂映射常用于神经网络的激活函数、二分类问题的概率估计等场景。
  示例：

  import torch
  # 标量输入
  x = torch.tensor(-1.0)
  y = torch.sigmoid(x)  # 输出：tensor(0.2689)
  # 向量输入
  x = torch.tensor([-1.0, 0.0, 1.0])
  y = torch.sigmoid(x)
  print(y)  # 输出：tensor([0.2689, 0.5000, 0.7311])