激活函数（总结）

sigmod函数

 

 

优点：sigmod函数的输出映射在（0,1）之间，单调连续，输出范围有限，优化稳定，可以用作输出层。求导容易。

缺点：由于其软饱和性，容易产生梯度消失，导致训练出现问题。其输出并不是以0为中心的。(激活函数计算量大，反向传播求误差梯度时，求导涉及除法；反向传播时很容易就会出现梯度消失的情况，从而无法完成深层网络的训练)

应用：该函数在统计学和机器学习领域是应用最广泛的逻辑回归模型。逻辑回归作为一种对数线性模型被广泛的应用于分类和回归场景中。此外，逻辑回归函数也是神经网络最为常用的激活函数，即sigmod函数。它可以用来做二分类，在特征相差比较复杂或是相差不是特别大时效果比较好。

 

tanh函数

也称为双曲正切函数，取值范围是（-1,1）。

tanh在特征相差明显时的效果会很好，在循环过程中会不断扩大特征效果。

与sigmoid的区别是，tanh是0均值的，因此实际应用中tanh会比sigmoid更好。

 

relu函数

 

f(x)=max(0,x)

优点：计算量小，速度快，相对于sigmoid和tanh求导比较复杂，反向求导时会出现问题。relu对SGD的训练有加速作用。relu会使一部分神经元的输出为0，这样就造成了网络的稀疏性，并且减少了参数的相互依存关系，缓解了过拟合问题的发生。

缺点：学习率设计过大会造成梯度为0，导致神经元死亡，并且是不可逆的。

 

softmax函数

用于多分类神经网络输出。可以用于多分类不过需要注意互斥。在深度学习中，softmax一般放在最后面然后对全连接层的结果进行分类，其中每一个表示的是分类的概率值。

举个例子来看公式的意思：

就是如果某一个 zj 大过其他 z, 那这个映射的分量就逼近于 1,其他就逼近于 0，主要应用就是多分类。

为什么要取指数，第一个原因是要模拟 max 的行为，所以要让大的更大。
第二个原因是需要一个可导的函数