在深度学习中，我们常常选用sigmoid函数作为激活函数。sigmoid函数的具体形式如下：

$$f(x)=\frac{1}{1+e^{-x}}$$
曲线表示为：

再画大一点，取x区间更大一些，则为：



显然从图像上看，sigmoid函数是数值稳定的，即对于更大范围的x，y的取值是连续的，有效的。

从理论上看，

$${\lim}_{x\rightarrow +\infty}f(x)=1;\\ {\lim}_{x\rightarrow -\infty}f(x)=0$$
且中间数值可以从数学上证明是稳定的。
但我们考虑1-f(x)呢？
$$1- f(x)=\frac{e^{-x}}{1+e^{-x}}$$
我们用matlab绘制其曲线：

我们发现这时，当x趋向负无穷，甚至仅仅x趋向-800，此时1-f(x)就不再稳定了，在matlab的值变成了NAN了。

其实我们发现，对于 1- f(x)，显然当x趋向正无穷时，还是稳定的，此时：
分子：$e^{-x}\rightarrow 0$,而分母:$1+e^{-x} \rightarrow 1$,

显然$\frac{0}{1}$，结果趋向0.

但是当x趋向负无穷时，此时，
分子： $e^{-x}\rightarrow +\infty$,而分母:$1+e^{-x} \rightarrow +\infty$,
此时：
$\frac{e^{-x}}{1+e^{-x}}$就会变得不稳定,尽管理论上趋向1。
因此就出现了以上的图像。

那么如何解决这种不稳定问题的解呢？

其实有两种办法：

（一）先计算稳定的f(x),结果赋予y,再计算1-y .

乍看从数学上，好像完全一致，但是在数值解上不等价。 y=f(x)是稳定的，因此对于1-f(x)=1-y也变成了稳定的解。

我们从图像上证明：

此时就正确了，与理论解完全一致。

（二）直接从1-f(x)着手
这里我们从caffe的sigmoid_cross_entropy_loss_layer.cpp得到启发。

主要办法就是对于

$$1- f(x)=\frac{e^{-x}}{1+e^{-x}}$$
分别考虑正负x.

当$x\geq 0$时，维持上式不变；
当$x< 0$时，分子分母同时乘以$e^x$,则有：

$$\frac{e^{-x}}{1+e^{-x}}=\left\{\begin{matrix} \frac{e^{-x}}{1+e^{-x}} & x\geq 0\\ \frac{1}{1+e^{x}}& x< 0 \end{matrix}\right.$$

此时绘制曲线为：

因此在实际coding中，我们需要考虑计算的稳定性。