在深度学习中，Sigmoid函数是一个非常重要的激活函数，它能将任意实数映射到(0, 1)之间，常用于二分类问题。在PyTorch（torch）中，有多种方式可以实现Sigmoid函数，以下是三种常见的使用方法：

📚 第一种：直接调用torch.sigmoid()

这是最直接的方式，只需传入需要处理的张量即可。例如：

```python

import torch

x = torch.tensor([-1.0, 0.0, 1.0])

sigmoid_x = torch.sigmoid(x)

print(sigmoid_x)

```

这种方法简单明了，适合快速应用。

💡 第二种：通过nn.Module定义

如果你正在构建神经网络模型，可以利用`torch.nn.Sigmoid()`作为模块的一部分。比如：

```python

import torch.nn as nn

sigmoid_layer = nn.Sigmoid()

output = sigmoid_layer(torch.tensor([2.0]))

print(output)

```

这种方式适合需要多次复用的情况。

🎯 第三种：结合自定义层使用

还可以在自定义层中手动添加Sigmoid操作，灵活度更高。例如：

```python

class MyModel(nn.Module):

def __init__(self):

super(MyModel, self).__init__()

def forward(self, x):

return torch.sigmoid(x)

model = MyModel()

result = model(torch.tensor([-2.0, -1.0, 0.0]))

print(result)

```

这三种方法各有千秋，选择哪种取决于具体应用场景哦！💪