TensorFlow导出模型时额外添加sigmoid激活层的原因是什么？

这一设计是兼顾训练稳定性和部署易用性的典型实践，具体原因如下：

• 训练阶段的数值稳定性要求
  你提到的这个官方教程示例中，训练阶段的原始模型最后一层是输出维度为1的全连接层，没有附加sigmoid激活，输出的是未归一化的logits值。训练时使用的损失函数是BinaryCrossentropy(from_logits=True)，这种配置下TensorFlow会自动合并sigmoid计算和交叉熵损失计算，大幅降低数值溢出、梯度消失的概率，训练过程更稳定，最终精度也更高。
• 推理部署的易用性要求
  模型导出后给上层业务使用时，大家通常需要直接拿到0~1区间的分类概率结果，而不是原始的logits值。如果导出时不添加sigmoid层，调用方还需要手动对输出做一次sigmoid计算，增加了使用成本。额外添加这层后，导出的模型可以直接输出业务需要的概率值，输入原始字符串就能得到可直接使用的分类结果，符合教程里提到的「端到端处理」的设计目标。
• 没有直接集成到原始模型的原因
  如果训练阶段就给原始模型加上sigmoid激活，损失函数就需要设置为BinaryCrossentropy(from_logits=False)，这种情况下sigmoid输出值极端接近0或1时，很容易出现交叉熵计算数值不稳定的问题，反而会影响训练效果。

内容的提问来源于stack exchange，提问作者jac