NN中的激活函数【转载】

转自:https://blog.csdn.net/edogawachia/article/details/80043673

1.sigmoid

特点：可以解释，比如将0-1之间的取值解释成一个神经元的激活率（firing rate）

缺陷：

1. 有饱和区域，是软饱和，在大的正数和负数作为输入的时候，梯度就会变成零，使得神经元基本不能更新。
2. 只有正数输出（不是zero-centered，均值为0？），这就导致所谓的zigzag现象: 

也就是说，w始终是朝着一直为正或者一直为负去变化的。

也就是说，更新只能朝着一个方向更新。

2.tanh函数

计算量大。

tanh和sigmoid函数是具有一定的关系的，可以从公式中看出，它们的形状是一样的，只是尺度和范围不同。 

3.ReLU

CNN中常用。对正数原样输出，负数直接置零。在正数不饱和，在负数硬饱和。relu计算上比sigmoid或者tanh更省计算量，因为不用exp，因而收敛较快。但是还是非zero-centered。

relu在负数区域被kill的现象叫做dead relu，这样的情况下，有人通过初始化的时候用一个稍微大于零的数比如0.01来初始化神经元，从而使得relu更偏向于激活而不是死掉，但是这个方法是否有效有争议。

4.LeakyReLU

PReLU

parametric rectifier：

f(x) = max(ax,x)

但是这里的a不是固定下来的，而是可学习的。

ELU

 

转载于:https://www.cnblogs.com/BlueBlueSea/p/10630452.html