【深度学习_TensorFlow】激活函数

写在前面

上篇文章我们了解到感知机使用的阶跃函数和符号函数，它们都是非连续，导数为0的函数：

建议回顾上篇文章，本篇文章将介绍神经网络中的常见激活函数，这些函数都是平滑可导的，适合于梯度下降算法。

---

写在中间

激活函数是做什么的？

---

激活函数（Activation Function）是神经网络中的一个重要组成部分，主要用于将神经元的输入信息进行非线性变换，从而引入非线性特性。

为什么要使用激活函数？

---

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，输出都是线性组合，这种情况就是最原始的感知机。将来归纳出的方程就如图a所示，要实现图b的效果就只能将线性模型嵌套非线性函数转换为非线性函数。

我们把这个非线性函数称为激活函数(Activation Function)，用表示：

$o=\sigma (Wx+b)$

这里的代表了某个具体的非线性激活函数，如 Sigmoid 函数、ReLU 函数

表达能力

---

模型的表达能力偏弱，就可以通过堆叠多次变换来增加其表达能力

把第一层神经元的输出值 $h_1$作为第二层神经元模型的输入，把第二层神经元的输出$h_2$作为第三层神经元的输入，最后一层神经元的输出作为模型的输出，使用ReLU激活函数举例

$h_1=ReLU(W{x}_1+b_1)$
$h_2=ReLU(W_2{h}_1+b_2)$
$o=W_3{h}_2+b_3$

---

激活函数介绍

一、Sigmoid

（ 1 ）简单介绍

此函数的定义如下

$\mathrm{Sigmoid}(x)\triangleq \frac{1}{1+{\mathrm{e}}^{-x}}$

在深度学习中的优点如下：

• 它的值域为(0, 1)，能够把 ∈ 的输入“压缩”到 ∈ (0,1)区间，和概率的分布范围[0,1]契合，可以通过 Sigmoid 函数将输出转译为概率输出

• Sigmoid 函数连续可导，可以直接利用梯度下降算法优化网络参数

---

（ 2 ）简单实现

如何在TensorFlow中使用这个函数呢,其实一行代码就可以搞定了

tf.nn.sigmoid(x) # 通过 Sigmoid 函数

---

二、ReLU

（ 1 ）简单介绍

在 ReLU激活函数提出之前，Sigmoid 函数通常是神经网络的激活函数首选。但是 Sigmoid 函数在输入值较大或较小时容易出现梯度值接近于 0 的现象，网络参数长时间得不到更新，导致训练不收敛或停滞不动的现象发生。

此函数的定义如下：

$\mathrm{ReLU}(x)\triangleq \max (0,x)$

可以看到，ReLU 对小于 0 的值全部抑制为 0；对于正数则直接输出

---

（ 2 ）函数实现

函数的调用同样简单

tf.nn.relu(x)

---

三、LeakyReLU

（ 1 ）简单介绍

ReLU 函数在 < 0时导数值恒为 0，也可能会造成梯度弥散现象，为了克服这个问题，LeakyReLU 函数被提出，此函数的定义为：

$\text{LeakyReLU}\triangleq \{\begin{array}{cc}x& x\ge 0\\ px& x<0\end{array}$

其中为用户自行设置的某较小数值的超参数，如 0.02 等。当 = 0时，LeayReLU 函数退化为ReLU 函数；当 ≠ 0时， < 0处能够获得较小的导数值，从而避免出现梯度弥散现象。

（ 2 ）函数实现

tf.nn.leaky_relu(x, alpha=0.02) 

---

四、Tanh

（ 1 ）简单介绍

Tanh 函数能够将 ∈ 的输入“压缩”到(−1,1)区间，其函数的定义为

$\begin{array}{rl}\tanh (x)& =\frac{({\mathrm{e}}^x-{\mathrm{e}}^{-x})}{({\mathrm{e}}^x+{\mathrm{e}}^{-x})}=2\cdot \mathrm{sigmoid}(2x)-1\end{array}$

---

（ 2 ）代码实现

tf.nn.tanh(x) 

---

激活函数输出范围

了解了上面的函数之后，不知你是否有这样的疑问，这么多种函数，在进行网络构建的时候究竟如何选择？

其实这其中还是有些门道的，主要根据数据的范围和构建网络的目的来选择，具体情况还要结合实际问题试验：

例如：

• 输出区间为[0, 1]，在网络模型主要进行二分类（猫狗识别分类）、图片生成（像素归一化），就可以使用类似Sigmoid()一类的函数。

• 输出区间为[0, 1]，且所有数据的概率和为1，网络模型主要进行多分类问题(mnist手写数字识别)，就可以使用类似Softmax()一类的函数。

• 输出区间为[-1, 1]，就可以使用Tanh() 函数。

• 输出区间在某个段内，网络模型进行年龄预测、股票走势的预测，更倾向于回归问题,ReLU函数可能效果较好。

---

写在最后

点赞，你的认可是我创作的动力！
⭐收藏，你的青睐是我努力的方向！
✏️评论，你的意见是我进步的财富！