sigmoid型函数具有个单元特性然后把隐含节点的输出信息传送到输出节点,

sigmoid函数是一种常用的激活函数，它的特点是将输入值映射到一个介于0和1之间的输出值，形成S型曲线。在神经网络中，我们可以将它用作输出层的激活函数。

sigmoid型函数具有个单元特性，意味着它对较大的输入值会饱和并输出一个接近于1的值，而对较小的输入值也会饱和并输出一个接近于0的值。这种性质使得sigmoid函数非常适合用于将隐含节点的输出信息传送到输出节点。

在神经网络中，我们通常将隐含节点的输出作为输入传递给输出节点。这些隐含节点可以通过计算加权和来获得输出。然后，我们可以使用sigmoid函数将这些输出值映射到0和1之间的概率值。这些概率值表示输出节点对不同类别的预测概率，例如在二分类问题中，它们可以表示为正类和负类的概率。通过这种方式，sigmoid函数充当了一个传递隐含节点信息和产生输出节点预测的信息传递器。

总之，sigmoid型函数通过将输入值映射到0和1之间的输出值来传递隐含节点的信息到输出节点。它的性质使得它成为一个适用于神经网络输出层的激活函数。这种传递和转换过程帮助神经网络实现了分类和预测任务。