深度学习-多层感知机

多层感知机

概念：多层感知机就是含有至少一个隐藏层的由全连接层组成的神经网络，且每个隐藏层的输出通过激活函数进行变换。多层感知机的层数和各隐藏层中隐藏单元个数都是超参数。以单隐藏层为例并沿用本节之前定义的符号，多层感知机按以下方式计算输出：

激活函数

激活函数	公式	导数公式	优点	缺点
ReLU			不会同时激活所有神经元，使得计算高效	x<0，梯度是0，导致神经元死亡，权重无法更新
Sigmod			非线性，适合输出层	两边太平滑导致学习率低；输出不是以0为中心
Tanh			弥补了sigmod很多缺陷	两边太平滑会导致学习率低

激活函数	原公式图像	导数公式图像
ReLU	relu.png	relu_grad.png
Sigmod	sigmod.png	sigmod_grad.png
Tanh	tanh.png	tanh_grad.png

激活函数的选择

1.通用情况下选择ReLu函数。注意：ReLu函数只能在隐藏层使用。如果出现死神经元，选择PReLu函数。
2.分类问题中，Sigmod函数及其组合通常效果更好，但应避免梯度消失问题。