在深度学习的研究中，我们经常需要知道激活函数（阶跃函数）的图像，以此判断该神经网络的阈值，并更好的去对权重进行调整。但对于某些复杂的复合函数而言，我们非常困难手画出它的函数图像，这样不仅费时费力，而且所得函数图像结果还不一定准确。这里我们就可以借助 Python 中的 numpy、matplotlib 来画出某一函数的大致图像。这里我们以常见的激活函数 —— Sigmoid 函数为例，并且为了不偏离主题，不会对numpy、matplotlib 做过多讲解。

一、Python 绘制 Sigmoid 函数及其导数图像

import numpy as np
import matplotlib.pyplot as plt

# 利用 numpy 实现 Sigmoid 函数
def sigmoid(x):
    # x 为输入值
    # y = sigmoid(x)
    y=1/(1+np.exp(-x))
    #dy=y*(1-y)  # 若要实现 Sigmod() 的导数图像，打开此处注释，并返回 dy 值即可。 
    return y
 
# 利用 matplotlib 来进行画图
def plot_sigmoid():
    # param:起点，终点，间距
    x = np.arange(-8, 8, 0.2)
    y = sigmoid(x)
    plt.plot(x, y)
    plt.show()
 
 
if __name__ == '__main__':
    plot_sigmoid()

实现效果：

 y = sigmoid(x) 的函数图像：

 y = sigmoid(x) 的导数图像：

二、 总结

        Python实现绘制函数图像其实非常简单，总共是两个步骤。① 利用 numpy 库实现需要绘制的具体函数方程式；② 利用 matplotlib 库，在限定横坐标范围以及步长，以及将该函数方程式赋值给纵坐标后，进行绘制即可。