TensorFlowのvariableを0～1の範囲で学習させてたい

Question

通常、variableを用意して何かしらのoptimizerを使用すると、活性関数の形にも依りますが勾配計算により-∞～+∞の範囲でvariableが変動するかと思います。
一部のvariableの上限を1,下限が0となる範囲で学習させたいのですが、どのように記述すればいいでしょうか？
指定の範囲で学習させたいvariableは以下の一つであり、その他convなどの一般的なネットワークを組んでおります。

noise = tf.get_variable("noise", 
    initializer=tf.random_uniform(shape=[1, 224, 224, 3], minval=0.0, maxval=1.0,dtype=tf.float32), 
    trainable=True)

clip_by_valueという関数が有りますが、これはクリッピングを行うだけなのでvariable自体の学習範囲を決めるものではないという認識です。
何か使える関数や手法が有ればご教示お願いします。

Comments

[tiitoi]

sigmoid 関数ではダメな理由はありますか？

[Amanokawa]

投稿ありがとうございます。
たしかにsigmoidを使えば解決しますね。変数そのものにとらわれすぎていました。
```python
noise = tf.get_variable("noise_v",
initializer=tf.truncated_normal(shape, stddev=0.01),
trainable=True)
noise = tf.sigmoid(noise , name="noise")
```
として、sigumoidの出力に注目すればやりたい事が出来そうです。

[Amanokawa]

tiitoiさんにベストアンサーを送って解決済にしたいので何かしら回答へ投稿お願いします。

[tiitoi]

回答に転記しました。

Answer 1

出力範囲を制限する際によく使われるのは以下の関数です。

シグモイド関数 値域 [0, 1]

tanh 関数 値域 [-1, 1]

Deep Learning - 活性化関数の種類

Comments

[Amanokawa]

変数にsigmoidを通すことで同様の目的を達成できました。
```python
noise = tf.get_variable("noise_v", initializer=tf.truncated_normal(shape, stddev=0.01), trainable=True)
noise = tf.sigmoid(noise , name="noise")
```