TensorFlow2.0（7）：激活函数

 

注：本系列所有博客将持续更新并发布在github上，您可以通过github下载本系列所有文章笔记文件。

 

1 什么是激活函数¶

 

激活函数是深度学习，亦或者说人工神经网络中一个十分重要的组成部分，它可以对神经元的接收信息进行非线性变换，将变换后的信息输出到下一层神经元。激活函数作用方式如下公式所示：

 

$$y = Activation(\sum\limits_i^N {{w_i} \cdot {x_i} + b} )$$

 

其中，$Activation()$就是激活函数。

 

为什么要使用激活函数呢？当我们不用激活函数时，网络中各层只会根据权重$w$和偏差$b$只会进行线性变换，就算有多层网络，也只是相当于多个线性方程的组合，依然只是相当于一个线性回归模型，解决复杂问题的能力有限。我们希望我们的神经网络能够处理复杂任务，如语言翻译和图像分类等，线性变换永远无法执行这样的任务。激活函数得加入能对输入进行非线性变换，使其能够学习和执行更复杂的任务。

另外，激活函数使反向传播成为可能，因为激活函数的误差梯度可以用来调整权重和偏差。如果没有可微的非线性函数，这就不可能实现。

总之，激活函数的作用是能够给神经网络加入一些非线性因素，使得神经网络可以更好地解决较为复杂的问题。

 

2 常用激活函数¶

2.1 sigmoid函数¶

 

sigmoid函数可以将整个实数范围的的任意值映射到[0,1]范围内，当当输入值较大时,sigmoid将返回一个接近于1的值,而当输入值较小时,返回值将接近于0。sigmoid函数数学公式和函数图像如下所示：

 

$$f(x) = \frac{1}{{1 + {e^{ - x}}}}$$

 

 

感受一下TensorFlow中的sigmoid函数：

In [1]:

import tensorflow as tf
x = tf.linspace(-5., 5.,6)
x

Out[1]:

 

有两种方式可以调用sigmoid函数：

In [2]:

tf.keras.activations.sigmoid(x)

Out[2]:

In [3]:

tf.sigmoid(x)

Out[3]:

 

看，$x$中所有值都映射到了[0,1]范围内。

 

sigmoid优缺点总结：

• 优点：输出的映射区间(0,1)内单调连续，非常适合用作输出层，并且比较容易求导。

• 缺点：具有软饱和性，即当输入x趋向于无穷的时候，它的导数会趋于0，导致很容易产生梯度消失。

 

2.2 relu函数¶

 

Relu（Rectified Linear Units修正线性单元），是目前被使用最为频繁得激活函数，relu函数在x<0时，输出始终为0。由于x>0时，relu函数的导数为1，即保持输出为x，所以relu函数能够在x>0时保持梯度不断衰减，从而缓解梯度消失的问题，还能加快收敛速度，还能是神经网络具有稀疏性表达能力，这也是relu激活函数能够被使用在深层神经网络中的原因。由于当x<0时，relu函数的导数为0，导致对应的权重无法更新，这样的神经元被称为"神经元死亡"。

relu函数公式和图像如下：

 

$$f(x) = \max (0,x)$$

 

 

在TensorFlow中，relu函数的参数情况比sigmoid复杂，我们先来看一下：

 

tf.keras.activations.relu( x, alpha=0.0, max_value=None, threshold=0 )

• x：输入的变量
• alpha：上图中左半边部分图像的斜率，也就是x值为负数（准确说应该是小于threshold）部分的斜率，默认为0
• max_value：最大值，当x大于max_value时，输出值为max_value
• threshold：起始点，也就是上面图中拐点处x轴的值

In [4]:

x = tf.linspace(-5., 5.,6)
x

Out[4]:

In [5]:

tf.keras.activations.relu(x)

Out[5]:

In [6]:

tf.keras.activations.relu(x,alpha=2.)

Out[6]:

In [7]:

tf.keras.activations.relu(x,max_value=2.)  # 大于2部分都将输出为2.

Out[7]:

In [8]:

tf.keras.activations.relu(x,alpha=2., threshold=3.5)  # 小于3.5的值按照alpha * (x - threshold)计算

Out[8]:

 

2.3 softmax函数¶

 

softmax函数是sigmoid函数的进化，在处理分类问题是很方便，它可以将所有输出映射到成概率的形式，即值在[0,1]范围且总和为1。例如输出变量为[1.5,4.4,2.0]，经过softmax函数激活后，输出为[0.04802413, 0.87279755, 0.0791784 ],分别对应属于1、2、3类的概率。softmax函数数学公式如下：

 

$$f({x_i}) = \frac{{{e^{{x_i}}}}}{{\sum\limits_i {{e^{{x_i}}}} }}$$

In [9]:

tf.nn.softmax(tf.constant([[1.5,4.4,2.0]]))

Out[9]:

In [10]:

tf.keras.activations.softmax(tf.constant([[1.5,4.4,2.0]]))

Out[10]:

In [11]:

x = tf.random.uniform([1,5],minval=-2,maxval=2)
x

Out[11]:

In [12]:

tf.keras.activations.softmax(x)

Out[12]:

 

2.4 tanh函数¶

 

tanh函数无论是功能还是函数图像上斗鱼sigmoid函数十分相似，所以两者的优缺点也一样，区别在于tanh函数将值映射到[-1,1]范围，其数学公式和函数图像如下：

 

$$f(x) = \frac{{\sinh x}}{{\cosh x}} = \frac{{1 - {e^{ - 2x}}}}{{1 + {e^{ - 2x}}}}$$

 

In [13]:

x = tf.linspace(-5., 5.,6)
x

Out[13]:

In [14]:

tf.keras.activations.tanh(x)

Out[14]:

 

3 总结¶

 

神经网络中，隐藏层之间的输出大多需要通过激活函数来映射（当然，也可以不用，没有使用激活函数的层一般称为logits层），在构建模型是，需要根据实际数据情况选择激活函数。TensorFlow中的激活函数可不止这4个，本文只是介绍最常用的4个，当然，其他激活函数大多是这几个激活函数的变种。