机器学习——激活函数理解

标签：参考   ali   叠加   中心   csu   alt   div   inline   一个   

激活函数

作用：

• 如果不用激励函数（其实相当于激励函数是f(x) = x），在这种情况下你每一层节点的输入都是上层输出的线性函数，输出都是输入的线性组合，与没有隐藏层效果相当。
• 2线性的表达能力太有限了，即使经过多层网络的叠加，y=ax+b无论叠加多少层最后仍然是线性的，增加网络的深度根本没有意义。
• 对于y=ax+b 这样的函数，当x的输入很大时，y的输出也是无限大小的，经过多层网络叠加后，值更加膨胀的没边
• 引入非线性函数作为激励函数，这样深层神经网络表达能力就更加强大（不再是输入的线性组合，而是几乎可以逼近任意函数）。？：为什么非线性化后，增加网络就变得有意义？体现在哪里？

类别

	TF调用	公式	图像	导数	优点	缺点
sigmoid						梯度反向传递时导致梯度爆炸和梯度消失 其中梯度爆炸发生的概率非常小 而梯度消失发生的概率比较大。 sigmoid输出永远是正数;非零中心
tanh					输出（-1，1）	没有解决“梯度消失问题”
ReLU					不会有梯度消失问题	输入负数，则完全不激活，ReLU函数死掉
Leaky ReLU（LReLU）
ELU
Maxout
softmax

1.sigmoid函数

2.tanh

 3.relu

4.softmax

• 输出层第i个神经元的Softmax函数表达式：

,其中k为类别的个数。

• 二分类在输出层之后一个单元不同的是，使用softmax的输出层拥有多个单元。
• softmax 进行分类时，类与类之间是互斥的；sigmoid 函数进行分类时，类与类之间并不是互斥的；
• softmax 函数多类分类问题，大多数损失函数为categorical_crossentropy，取概率分布中最大的作为最终的分类结果；

选择

在同一个模型中，激活函数不会混搭使用，选定一个就用一个。一般最好的经验法则是使用ReLU函数，但是要谨慎的调节学习率。像LReLU，PReLU，ELU，Maxout这些函数则实验性强一点（实用性弱一点），但也可以试下。tanh和sigmoid就em....，算了吧。

参考：

https://segmentfault.com/a/1190000016048441

https://blog.csdn.net/tyhj_sf/article/details/79932893

https://www.jianshu.com/p/d49610e55632

机器学习——激活函数理解

标签：参考   ali   叠加   中心   csu   alt   div   inline   一个   

原文地址：https://www.cnblogs.com/yrm1160029237/p/11926010.html