Sigmoid函数的缺点

1. 饱和性：当输入的绝对值非常大时，Sigmoid函数会饱和，也就是输出值趋近于0或1，导致梯度消失，无法进行有效的反向传播，从而影响模型的训练效果。

2. 中心化问题：Sigmoid函数对输入的数据进行了平移和缩放，使得输入数据的均值偏向于0.5，这会影响模型的训练效果。

3. 计算代价高：计算Sigmoid函数的代价相对较高，因为它需要进行指数运算，而指数运算的计算量比较大。

4. 输出不是0均值：Sigmoid函数的输出不是0均值的，这会影响模型的训练效果。

5. 不是稀疏表示：Sigmoid函数的输出是连续的，而不是稀疏的，这会影响模型的泛化能力。