激活函数在神经网络中的应用

一、激活函数Activation Function定义

        在人工神经网络的神经元上运行的函数，负责将神经元的输入映射到输出端，对于人工神经网络模型去学习、理解非常复杂和非线性的函数来说具有十分重要的作用。它们将非线性特性引入到我们的网络中。在神经元中，输入的 inputs 通过加权，求和后，还被作用了一个函数，这个函数就是激活函数。引入激活函数是为了增加神经网络模型的非线性。没有激活函数的每层都相当于矩阵相乘。就算你叠加了若干层之后，无非还是个矩阵相乘罢了。

二、为什么用激活函数？

        如果不用激活函数，每一层输出都是上层输入的线性函数，无论神经网络有多少层，输出都是输入的线性组合，这种情况就是最原始的感知机（Perceptron）。

        如果使用的话，激活函数给神经元引入了非线性因素，使得神经网络可以任意逼近任何非线性函数，这样神经网络就可以应用到众多的非线性模型中。

三、常用的激活函数

3.1 Sigmoid函数或者Logistic函数

        Sigmoid函数是一个在生物学中常见的S型函数，也称为S型生长曲线。在信息科学中，由于其单增以及反函数单增等性质，Sigmoid函数常被用作神经网络的阈值函数，将变量映射到0,1之间。公式如下

 函数图像如下

3.2 Tanh函数——Hyperbolic tangent（双曲正切函数）

        Tanh是双曲函数中的一个，Tanh()为双曲正切。在数学中，双曲正切“Tanh”是由基本双曲函数双曲正弦和双曲余弦推导而来。公式如下

函数图像如下

 3.3 ReLU函数——Rectified linear units（线性修正单元）

        Relu激活函数（The Rectified Linear Unit），用于隐层神经元输出。公式如下

函数图像如下：