深度理解机器学习17-候选激活函数

深度理解机器学习17-候选激活函数

​ 替换先前时间步长激活函数的候选激活函数，也在每个时间步长中计算。顾名思义，候选激活函数代表下一个时间步长激活函数应该采用的替代值。

​ 计算候选激活函数的表达式：

​ 从数学上讲，更新门用于在先前激活函数和候选激活函数之间选择权重。因此，它负责当前时间步长激活函数的最终更新，并确定有多少先前的激活函数和候选激活函数传递到下一层。重置门用于选择或取消选择先前激活函数部分的一种方式。这就是为什么在前一个激活函数和重置门向量之间执行按元素乘法。

​ 在训练良好的网络中，重置门的向量中会有一个所有这些关系的入口。这些入口的值将被适当地“关闭”或“打开”，具体取决于哪些关系需要从以前的激活中被记住，哪些需要被忘记。

GRU变体

​ Gated Recurrent Unit(GRU)

sigmod函数与阶跃函数的区别

相对于阶跃函数只能返回0或1， sigmoid函数可以返回0.731 . . .、 0.880 . . .等实数（这一点和刚才的平滑性有关）。也就是说，感知机中神经元之间流动的是0或1的二元信号，而神经网络中流动的是连续的实数值信号。

当输入信号为重要信息时，阶跃函数和sigmoid函数都会输出较大的值；当输入信号为不重要的信息时，两者都输出较小的值。还有一个共同点是，不管输入信号有多小，或者有多大，输出信号的值都在0到1之间。

神经网络的激活函数必须使用非线性函数。换句话说，激活函数不能使用线性函数。为什么不能使用线性函数呢？因为使用线性函数的话，加深神经网络的层数就没有意义了。

线性函数的话，加深神经网络的层数就没有意义了。

线性函数的问题在于，不管如何加深层数，总是存在与之等效的“无隐藏层的神经网络”。为了具体地（稍微直观地）理解这一点，我们来思考下面这个简单的例子。这里我们考虑把线性函数 h(x) = cx 作为激活函数，把y(x) = h(h(h(x)))的运算对应3层神经网络 A。这个运算会进行y(x) = c × c × c × x的乘法运算，但是同样的处理可以由y(x) = ax（注意，a = c3）这一次乘法运算（即没有隐藏层的神经网络）来表示。如本例所示，使用线性函数时，无法发挥多层网络带来的优势。因此，为了发挥叠加层所带来的优势，激活函数必须使用非线性函数。