什麼是 tanh 函數？
雙曲正切函數，寫作 \tanh(x)，是一條平滑的 S 形（sigmoidal）曲線，對任何實數 x 都有定義。它的定義是指數函數 e^x 與 e^{-x} 之差除以兩者之和。\tanh(x) 的輸出值永遠嚴格落在 -1 與 1 之間，而且它是奇函數，也就是 \tanh(-x) = -\tanh(x)。在機器學習中，tanh 是很受歡迎的神經元激活函數，因為它以 0 為中心（zero-centered），相較於輸出範圍為 0 到 1 的 sigmoid，常常能讓以梯度為基礎的訓練收斂得更快。
如何使用這個計算機
只要輸入任意實數 x，工具就會立即回傳 \tanh(x)，並附上兩個選用的導數，這些在微積分、物理與反向傳播（back-propagation）中都很實用。負數、小數，甚至絕對值非常大的數值都能接受。當 x 為很大的正數時，數值會趨近並飽和於 +1；當 x 為很大的負數時，則飽和於 -1。
公式解析
核心定義為
\tanh(x) = ((e^{x} - e^{-x}) ÷ (e^{x} + e^{-x}))
由於分母至少為 2，因此永遠不會發生除以零的情況。一階導數可由一個優雅的恆等式得出：f'(x) = 1 - \tanh^{2}(x)
也可寫成 sech^2(x)。再微分一次便得到二階導數 f''(x) = -2 \tanh(x)≤ft(1 - \tanh^{2}(x)\right)
為了在 |x| 非常大時維持數值穩定，內部採用以 e^{-2x} 改寫的形式，以避免溢位（overflow）。
實例演算（x = 0.5）
代入 e^{0.5} = 1.6487212707 與 e^{-0.5} = 0.6065306597，可得
\tanh(0.5) = ((1.0421906110) ÷ (2.2552519304)) = 0.4621171573
一階導數為 1 - 0.4621171573^{2} = 0.7864477623，二階導數則為 -2 × 0.4621171573 × 0.7864477623 = -0.7269989018。
使用注意事項與精準校對原則（6 大核心守則）
📐 1. 嚴格對齊輸入量綱與單位
輸入各項數值時請務必確認量綱（例如小時、天數、金額、百分比），避免單位不匹配引發推算偏差。
🔒 2. 純前端本機毫秒級隱私保障
所有計算邏輯 100% 在您的終端瀏覽器內完成，資料絕不上傳伺服器，嚴格守護商業與個人隱私。
📊 3. 符合公認學術與產業計算模型
演算法嚴格遵循國際通用數學公式與標準計算模型，經多重情境交叉核對，數值嚴密精確。
📋 4. 一鍵複製與免登入 PDF 匯出
支援一鍵複製推算結果字串至剪貼簿，亦可直接點擊列印按鈕輸出純淨 PDF 工作報表。
🔄 5. 多情景敏感度動態對比
建議針對極端值與多組預期情景分別試算，觀察輸出數據的波動區間，輔助做出更穩健的決策。
🛡️ 6. 專業諮詢與日常參考免責聲明
本工具運算結果供日常排程、學業研習與事前參考之用，如涉及重大法規或投資決策請諮詢持證專家。
常見問題 (FAQ)
tanh 的值域是多少？
開區間 \((-1, 1)\)；它會無限趨近但永遠不會真正等於這兩個端點。
tanh(0) 等於多少？
恰好為 0，此時 \(f'(0) = 1\)、\(f''(0) = 0\)。
為什麼用 tanh 而不用 sigmoid？
tanh 以 0 為中心（輸出對稱於 0），可以加快神經網路的學習速度；而 logistic sigmoid 只會輸出 0 到 1 之間的正值。