x 输入值拖动滑块会改变当前输入点。不同 x 区间会让激活函数输出和导数发生明显变化。
Sigmoid / Tanh两端饱和时导数接近 0，深层网络中连续相乘会造成梯度消失。
ReLU正区间导数为 1，能缓解梯度消失；负区间导数为 0，可能出现神经元不再更新。
层数 maxLayers层数越深，Sigmoid 最大梯度乘积越快接近 0；图中使用对数坐标展示这种衰减。
动态游标和梯度消失曲线读取 fixture.json；pytest 使用同一份 fixture 校验 Sigmoid 检查点。