Tensorflow深度学习之五：激活函数

激活函数的作用

在神经网络中，激活函数的作用是能够给神经网络加入一些非线性因素，使得神经网络可以更好地解决较为复杂的问题。
我们尝试引入非线性的因素，对样本进行分类。

在神经网络中也类似，我们需要引入一些非线性的因素，来更好地解决复杂的问题。而激活函数恰好就是那个能够帮助我们引入非线性因素的存在，使得我们的神经网络能够更好地解决较为复杂的问题。

常见的激活函数有Sigmoid，Relu，tanh等。
关于上述函数的公式，在此不赘述。

Sigmoid函数如下：

tanh函数如下：

Relu函数如下：

在Tensorflow中使用激活函数
以Relu函数为例：

import tensorflow as tf

# 默认Tensorflow会话
sess = tf.InteractiveSession()

# Relu函数处理负数
print("anwser 1:",tf.nn.relu(-2.9).eval())
# Relu函数处理正数
print("anwser 2:",tf.nn.relu(3.4).eval())

# 产生一个4x4的矩阵，满足均值为0，标准差为1的正态分布
a = tf.Variable(tf.random_normal([4,4],mean=0.0, stddev=1.0))

# 对所有变量进行初始化，这里对a进行初始化
tf.global_variables_initializer().run()

# 输出原始的a的值
print("原始矩阵:\n",a.eval())

# 对a使用Relu函数进行激活处理，将结果保存到b中
b = tf.nn.relu(a)

# 输出处理后的a，即b的值
print("Relu函数激活后的矩阵:\n",b.eval())

结果如下：（由于不同的机器，运行结果会有不同）

anwser 1: 0.0
anwser 2: 3.4
原始矩阵:
 [[-0.42271236  0.70626765  0.4220579  -1.19738662]
 [-0.09090481  1.20085275 -1.37331688 -0.28922254]
 [-0.63343877  0.04532439 -0.98322827 -0.01032094]
 [ 0.364104    1.00423157  0.23247592 -1.13028443]]
Relu函数激活后的矩阵:
 [[ 0.          0.70626765  0.4220579   0.        ]
 [ 0.          1.20085275  0.          0.        ]
 [ 0.          0.04532439  0.          0.        ]
 [ 0.364104    1.00423157  0.23247592  0.        ]]

可以发现，对于输入是一个数字来说，输出满足公式。对于输入参数是一个矩阵的情况，relu函数对矩阵中的每一个数字均使用了Relu函数进行处理，负数直接变为0.0，正数保持不变。

其他的激活函数亦是如此。