文章目錄

• • 前言
  • 原因
  • 解決方法
  • • 1、對sigmoid函數實現的優化，使`np.exp(-x)`的值始終小于1
    • 2、用這個公式替代（沒試過，不知好不好用）

前言

在計算sigmoid函數值時，出現了以下警告

原因

我們觀察我們的sigmoid函數

import numpy as np# Dontla：定義sigmoid函數 def sigmoid(x):return 1.0 / (1 + np.exp(-x))

numpy數組x中可能有絕對值比較大的負數，這樣傳給sigmoid函數時，分母np.exp(-x)會非常大，導致np.exp(-x)溢出

解決方法

1、對sigmoid函數實現的優化，使np.exp(-x)的值始終小于1

import numpy as np# Dontla：定義sigmoid函數 def sigmoid(inx):if inx >= 0: # 對sigmoid函數的優化，避免了出現極大的數據溢出return 1.0 / (1 + np.exp(-inx))else:return np.exp(inx) / (1 + np.exp(inx))

但在numpy數組中，你不好直接判斷np.array大于零或小于零，所以需要把數組里的數字取出來一個一個判斷，計算后，再重新整合：

def sigmoid(x):x_ravel = x.ravel() # 將numpy數組展平length = len(x_ravel)y = []for index in range(length):if x_ravel[index] >= 0:y.append(1.0 / (1 + np.exp(-x_ravel[index])))else:y.append(np.exp(x_ravel[index]) / (np.exp(x_ravel[index]) + 1))return np.array(y).reshape(x.shape)

2、用這個公式替代（沒試過，不知好不好用）

def logistic_function(x):return .5 * (1 + np.tanh(.5 * x))

參考文章1：深度學習神經網絡sigmoid函數溢出

參考文章2：Sigmoid函數的替代：overflow encountered in exp in computing the logistic function

總結

以上是生活随笔為你收集整理的python计算警告：overflow encountered in exp（指数函数溢出）（sigmoid函数的numpy数组计算方式）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。