Использование клиента PHP SOAP в веб-сервисе .NET

Он также доступен в scipy: http://docs.scipy.org/doc/scipy/reference/generated/scipy.stats.logistic.html

In [1]: from scipy.stats import logistic

In [2]: logistic.cdf(0.458)
Out[2]: 0.61253961344091512

, который является лишь дорогостоящей оболочкой (потому что он позволяет масштабировать и переводить логистическую функцию) другой функции scipy:

In [3]: from scipy.special import expit

In [4]: expit(0.458)
Out[4]: 0.61253961344091512

Если вас беспокоит производительность, продолжайте чтение, иначе просто используйте expit.

Некоторые бенчмаркинга:

In [5]: def sigmoid(x):
  ....:     return 1 / (1 + math.exp(-x))
  ....: 

In [6]: %timeit -r 1 sigmoid(0.458)
1000000 loops, best of 1: 371 ns per loop


In [7]: %timeit -r 1 logistic.cdf(0.458)
10000 loops, best of 1: 72.2 µs per loop

In [8]: %timeit -r 1 expit(0.458)
100000 loops, best of 1: 2.98 µs per loop

Как и ожидалось, logistic.cdf (намного) медленнее, чем expit. expit все еще медленнее, чем функция python sigmoid при вызове с одним значением, потому что это универсальная функция, написанная на C ( http://docs.scipy.org/doc/numpy/reference/ufuncs. html ) и, следовательно, имеет накладные расходы. Эти накладные расходы больше, чем ускорение вычислений expit, заданное его скомпилированным характером при вызове с одним значением. Но это становится незначительным, когда дело доходит до больших массивов:

In [9]: import numpy as np

In [10]: x = np.random.random(1000000)

In [11]: def sigmoid_array(x):                                        
   ....:    return 1 / (1 + np.exp(-x))
   ....: 

(вы заметите крошечное изменение с math.exp до np.exp (первый не поддерживает массивы, но намного быстрее если у вас есть только одно значение для вычисления).

In [12]: %timeit -r 1 -n 100 sigmoid_array(x)
100 loops, best of 1: 34.3 ms per loop

In [13]: %timeit -r 1 -n 100 expit(x)
100 loops, best of 1: 31 ms per loop

Но когда вам действительно нужна производительность, обычной практикой является наличие предварительно вычисленной таблицы сигмовидной функции, хранящейся в ОЗУ, и торговля некоторой точностью и память для некоторой скорости (например: http://radimrehurek.com/2013/09/word2vec-in-python-part-two-optimizing/ )

Кроме того, обратите внимание, что реализация expit численно устойчива с версии 0.14.0: https://github.com/scipy/scipy/issues/3385