标签：之间   sig   生物   leak   pre   ast   jpg   神经元   梯度   

1.非线性激活的重要性

如果神经元的输出是输入的线性函数，而线性函数之间的嵌套任然会得到线性函数。如果不加如飞西安新处理，那么最终得到的仍然是线性函数。

2.常用的非线性激活函数

ReLu的优点

• 运算非常简单快速
• 由于当输入大于0时，导数永远是1，可以避免梯度消失
• 当输入大于零时才有非零输出，而输入小于0时，输出0.更类似与生物神经元的工作原理，需要刺激才会被激活。
• 往往能带来比使用sigmoid和tanh更佳网络性能

3.ReLu的改进

Leaky ReLu,PReLu,RReLu,ELU,SELU.

他们让ReLu在输入小于0时有少量输出，可略微改进性能，代价是速度会慢一些。

4.Swish激活函数

$f(x)=x\cdot\sigma(\betax)$,其中$\beta$可固定为1。

在MXnet的使用。

tmp=mx.sym.sigmoid(in)
out=mx.sym.broadcast_mul(in,tmp)#将它点对点乘以输入，得到输出

非线性激活

标签：之间   sig   生物   leak   pre   ast   jpg   神经元   梯度   

原文地址：https://www.cnblogs.com/cold-city/p/10459300.html