如何在Python中不使用exp()函数计算sigmoid函数

base与exponent取值逻辑 #

numpy.exp(x)的本质是计算自然常数e的x次方，即数学表达中的e^x，其中e是固定常数，近似值为2.718281828459045。
对应你写的base ** exponent表达式：

• 要实现和numpy.exp(x)完全等价的效果，base填e的近似值，exponent填你要计算的自变量x即可
• 如果你要计算sigmoid里常用的e^(-x)，也可以把base设为1/e的近似值0.36787944117，exponent直接填x，表达式为0.36787944117 ** x，和e ** (-x)计算结果完全一致。

你之前用的0.57不是e或1/e的近似值，无法得到正确的指数计算结果。

最简实现代码 #

不需要任何导入，纯Python原生语法就能实现，精度足够大多数神经网络场景使用：

# 自然常数e的高精度近似值
E = 2.718281828459045
# 1/e的近似值，可直接用于计算e^(-x)
INV_E = 0.36787944117144233

def my_exp(x):
    """等价于numpy.exp(x)"""
    return E ** x

def sigmoid(x):
    """带数值稳定优化的sigmoid实现，避免x绝对值过大时运算异常"""
    if x >= 0:
        return 1 / (1 + INV_E ** x)
    else:
        exp_x = E ** x
        return exp_x / (1 + exp_x)

numpy.exp的底层实现逻辑 #

工业级的exp实现（比如numpy、C标准库的exp）一般结合了以下优化手段，你在纯Python受限环境下不需要复现这么复杂的逻辑，上面的最简实现精度足够：

• 区间拆分：把输入x拆成整数部分和小数部分，利用e^(a+b) = e^a * e^b的规则简化计算
• 泰勒展开/切比雪夫多项式近似：在小数区间用低阶多项式拟合exp值，保证精度的同时提升运算速度
• 查表优化：提前存好e的整数次方结果，直接查表获取避免重复计算
• 特殊值处理：针对NaN、无穷大、极小值等边界情况做兼容

如果你的环境对**运算符的支持有问题，也可以用上述的区间拆分+多项式近似的方案自定义实现，精度可以按需调整。

内容的提问来源于stack exchange，提问作者junfanbl