使用逻辑函数有几个好处，也有一些缺点。我不打算讨论所有这些，但这里有一个小概要。

尼斯物业

对于计算概率的网络，它将输入特征带入一个不错的 0 到 1 范围。

由于逻辑函数将输入映射到范围 (0,1)，因此它通常用作需要某种分类的神经网络中的激活函数。例如，如果我们有一个卷积神经网络 (CNN) 来分类给它的图像是否是狗，它可能有一个输出神经元，如果图像不是狗则返回 0，如果是狗则返回 1。当为 CNN 提供具有不同尺寸和范围的输入的图像时，处理 0 到 1 范围内的输入特征而不是 0 到 255 或您正在处理的任何输入格式会更直观。

它是平滑且可微的。

在执行反向传播时，处理差分函数要容易得多。否则，您必须近似梯度，这可能会导致不利的结果。

一个消失的问题

在极值处，梯度消失。

OP 还暗示，在 X 的非常正和非常负的值下，逻辑函数的导数可能接近 0。对于大输入值，这可能会阻碍对极值的学习。如果您考虑梯度下降，那么梯度下降所产生的跳跃仅与其所需的梯度幅度一样强。从分析上讲，这也损害了反向传播，因为学习是使用链式法则计算的，最终将多个梯度相乘。