sigmoid 激活函数是深度学习网络中常用的激活函数，但它有一些缺点会限制其有效性。
(1) sigmoid 激活函数的主要缺点之一是它在高输入值和低输入值时饱和。这意味着随着 sigmoid 函数的输入变得非常大或非常小，函数的输出变得非常接近 0 或 1。这可能导致梯度变得非常小，并且可能难以训练深度学习网络使用 sigmoid 激活函数。这被称为 “梯度消失” 问题。
(2) sigmoid 激活函数的另一个缺点是它的输出不是以零为中心的。这意味着网络中神经元的激活可以全部为正或全部为负， 这在使用某些优化算法（例如梯度下降）时可能会导致问题。
(3) 最后，sigmoid 激活函数的计算效率不如ReLU 激活函数等其他激活函数。在训练大型深度学习网络时，这可能是一个问题。
总体而言，虽然 sigmoid 激活函数在某些情况下可能有效，但其局限性使其不太适合某些深度学习任务。其他激活函数，例如 ReLU 及其变体，已经被开发出来以解决其中的一些限制，并且现在更常用于深度学习网络中。
