激活函數(shù)：只是一個抽象概念，使用激活函數(shù)時為了讓中間輸出多樣化，能夠處理更復雜的問題。

激活函數(shù)給神經(jīng)元引入了非線性因素，若無激活函數(shù)，則每一層最后輸出的都是上一層輸入的線性函數(shù)，不管加多少層神經(jīng)網(wǎng)絡，我們最后的輸出也只是最開始輸入數(shù)據(jù)的線性組合而已。當加入多層神經(jīng)網(wǎng)絡時，就可以讓神經(jīng)網(wǎng)絡擬合任何線性函數(shù)及非線性函數(shù)，從而使得神經(jīng)網(wǎng)絡可以適用于更多的非線性問題，而不僅僅是線性問題。

>> 01 sigmoid函數(shù)

????????

• ?sigmoid函數(shù)是機器學習中的一個比較常用的函數(shù)，用于隱層神經(jīng)元輸出，取值范圍為(0,1)；
• 它可以將一個實數(shù)映射到(0,1)的區(qū)間，用來做二分類，而且是單調(diào)遞增，比較容易優(yōu)化；
• 在特征相差比較復雜或是相差不是特別大時效果比較好；
• 優(yōu)點：平滑、易于求導；
• 缺點：①收斂比較慢，反向傳播求誤差梯度時，求導涉及除法；②Sigmoid是軟飽和，反向傳播時，容易產(chǎn)生梯度消失，從而無法完成深層網(wǎng)絡的訓練；（當x趨于無窮大的時候，也會使導數(shù)趨于0）③Sigmoid函數(shù)并不是以（0,0）為中心點；?

from matplotlib import pyplot as plt
import numpy as np
import mathdef sigmoid_function(x_list):fx = []for x in x_list:# print(x)fx.append(1 / (1 + np.exp(-x)))return fxif __name__ == '__main__':x_list = np.arange(-10, 10, 0.01)fx = sigmoid_function(x_list)ax = plt.gca()                                     # get current axis 獲得坐標軸對象ax.spines['right'].set_color('none')               # 將右邊的兩條邊顏色設置為空ax.spines['top'].set_color('none')                 # 將上邊的兩條邊顏色設置為空ax.xaxis.set_ticks_position('bottom')              # 指定下邊的邊為 x 軸ax.yaxis.set_ticks_position('left')                # 指定左邊的邊為 y 軸ax.spines['bottom'].set_position(('data', 0))      # 指定的x軸綁定到0這個點ax.spines['left'].set_position(('data', 0))        # 指定的y軸綁定到0這個點plt.plot(x_list, fx, label='Sigmoid ', linestyle="-")  # label為標簽plt.legend(['Sigmoid '])plt.title('Sigmoid  Function')plt.show()

??>> 02 tanh函數(shù)

• 優(yōu)點：①函數(shù)輸出以（0,0）為中心；②收斂速度相對于Sigmoid更快；
• 缺點：tanh函數(shù)并沒有解決sigmoid梯度消失的問題

from matplotlib import pyplot as plt
import numpy as np
import mathdef tanh_function(x_list):fx = []for x in x_list:fx.append((np.exp(x) - np.exp(-x)) / (np.exp(x) + np.exp(-x)))return fxif __name__ == '__main__':x_list = np.arange(-10, 10, 0.01)fx = tanh_function(x_list)ax = plt.gca()                                     # get current axis 獲得坐標軸對象ax.spines['right'].set_color('none')               # 將右邊的兩條邊顏色設置為空ax.spines['top'].set_color('none')                 # 將上邊的兩條邊顏色設置為空ax.xaxis.set_ticks_position('bottom')              # 指定下邊的邊為 x 軸ax.yaxis.set_ticks_position('left')                # 指定左邊的邊為 y 軸ax.spines['bottom'].set_position(('data', 0))      # 指定的x軸綁定到0這個點ax.spines['left'].set_position(('data', 0))        # 指定的y軸綁定到0這個點plt.plot(x_list, fx, label='Tanh', linestyle="-")  # label為標簽plt.legend(['Tanh'])plt.title('Tanh Function')plt.show()

?>> 03 tanh函數(shù)

• 優(yōu)點：①收斂速度快；②有效的緩解了梯度消失問題；③對神經(jīng)網(wǎng)絡可以使用稀疏表達；④對于無監(jiān)督學習，也能獲得很好的效果。
• 缺點：在訓練過程中容易出現(xiàn)神經(jīng)元失望，之后梯度永遠為0的情況。

from matplotlib import pyplot as plt
import numpy as np
import mathdef sigmoid_function(x_list):fx = []for x in x_list:fx.append(np.where(x < 0, 0, x))return fxif __name__ == '__main__':x_list = np.arange(-10, 10, 0.01)fx = sigmoid_function(x_list)print(len(fx))ax = plt.gca()  # get current axis 獲得坐標軸對象ax.spines['right'].set_color('none')  # 將右邊的兩條邊顏色設置為空ax.spines['top'].set_color('none')  # 將上邊的兩條邊顏色設置為空ax.xaxis.set_ticks_position('bottom')  # 指定下邊的邊為 x 軸ax.yaxis.set_ticks_position('left')  # 指定左邊的邊為 y 軸ax.spines['bottom'].set_position(('data', 0))  # 指定的x軸綁定到0這個點ax.spines['left'].set_position(('data', 0))  # 指定的y軸綁定到0這個點plt.plot(x_list, fx, label='Tanh', linestyle="-")  # label為標簽plt.legend(['Tanh'])plt.title('Tanh Function')plt.show()

?

??

總結(jié)

以上是生活随笔為你收集整理的神经网络常用激活函数的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。