激活函数σ、tanh、relu、Leakyrelu、LR_BP反向传播推导

Elvis_hui

已于 2023-03-27 09:39:46 修改

阅读量991

点赞数 1

分类专栏：深度学习文章标签： python 机器学习 numpy

于 2023-03-22 11:48:24 首次发布

本文链接：https://blog.csdn.net/Elvis__c/article/details/129703824

版权

深度学习专栏收录该内容

7 篇文章 0 订阅

订阅专栏

激活函数

Sigmoid、tanh、ReLU、LeakyReLu

1- SIgmoid

sigmoid 函数将元素的值映射到0和1之间

$sigmoid(x)=\frac{1}{1+exp(-x)}$

import torch
import matplotlib.pyplot as plt
import os
os.environ['KMP_DUPLICATE_LIB_OK']='True'

x = torch.arange(-8.0, 8.0, 0.1, requires_grad=True)
y = x.sigmoid()
plt.title('sigmoid')
plt.axhline(0.5,ls='--')#画横线
plt.axvline(0,ls='--')#画竖线
plt.plot(x.detach(), y.detach(),'red')

在这里插入图片描述

1-1 sigmoid导数

$sigmoid^{'}(x)=sigmoid(x)(1-sigmoid(x))$

绘制sigmoid函数的导数。当输入为0时，sigmoid函数的导数达到最大值0.25；当输入越偏离0时，sigmoid函数的导数越接近0

sigmoid斜率图

import torch
import matplotlib.pyplot as plt

x = torch.arange(-8.0, 8.0, 0.1, requires_grad=True)
y = x.sigmoid()
x.grad = torch.zeros_like(x)#创建一个与x形状相同的全零张量，并将其赋值给x.grad属性,以便在之后的backward()计算中重新计算梯度。
y.sum().backward()
plt.plot(x.detach().numpy(), x.grad.detach().numpy())
plt.title('grad of sigmoid')
plt.show()

在这里插入图片描述

2- tanh

tanh（双曲正切）函数可以将元素的值变换到-1和1之间 ,阈值（-1,1）

$tanh(x)=\frac{1-exp(-2x)}{1+exp(-2x)}=\frac{e^z-e^{-z}}{e^z+e^{-z}}$

函数图像

y = x.tanh()
plt.title('tanh')
plt.axvline(0,ls='--')
plt.axhline(0,ls='--')
plt.axhline(1,ls='--',c='gray')
plt.axhline(-1,ls='--',c='gray')
plt.plot(x.detach(), y.detach(),'red')

在这里插入图片描述

2-1 tanh函数导数

$tanh'(x)=1-tanh^2(x)$

y = x.tanh()
x.grad.zero_()
y.sum().backward()
plt.title('grad of tanh')
plt.plot(x.detach().numpy(), x.grad.detach().numpy())

在这里插入图片描述

σ和tanh有一个缺点，那就是z非常大或是非常小的时候，那么导数的梯度或者说这个函数的斜率就很小，拖慢梯度学习算法，造成梯度消失

3- ReLU

非线性激活函数,被称为修正线性单元

x = torch.arange(-8.0, 8.0, 0.1, requires_grad=True)
y = x.relu()
plt.title('relu')
plt.plot(x.detach(), y.detach(),c='red')
plt.axvline(0,ls='--')

在这里插入图片描述
给定元素 $x, 该函数定义为： R e LU (x) = ma x (x, 0)$
显然，当输入为负数时，ReLU函数的导数为0；当输入为正数时，ReLU函数的导数为1。尽管输入为0时ReLU函数不可导，但是我们可以取此处的导数为0

4- LeakyReLu

$max(\alpha x, x)$

def ReakyReLU(x, alpha=0.01):
    return np.where(x < 0, alpha * x, x)

y=ReakyReLU(x.detach().numpy())
plt.plot(x.detach().numpy(),y)
plt.axhline(0,c='grey')
plt.title('ReakyReLU function')

在这里插入图片描述
$\\ g^{'}(z)=[0.01 \space if \space z<0\space else\space 1]$

其中， $\alpha$ 是一个小的正数，通常取0.01。与ReLU函数不同的是，当输入值小于0时，Leaky ReLU函数输出的是输入值的一个小的比例，而不是0。这样可以避免ReLU函数在输入为负时出现死亡神经元的问题，提高了模型的稳定性和泛化性能。

Summary
$\\sigmoid:g^{'}(z)=a(1-a)\\ tanh: g^{'}(z)=1-tanh^{2}(z)=1-a^2\\ ReLu:g(z)=max(0,z) ,g^{'}(z)=[0 \space if \space z<0\space else\space 1]\\ Leaky ReLu:g(z)=max(0.001z,z),g^{'}(z)=[0.01 \space if \space z<0\space else\space 1]$

5- LR 公式推导

repeat some operations ,update the parameter weight and bais for the loss fun
$z=w^Tx+b$

$\hat y=a =σ(z)=\frac{1}{1+e^{-z}}$
损失函数
$L (a, y) = - (y l o g (a) + (1 - y) l o g (1 - a))$
通过链式求导法则求出参数-单个训练样本
求偏导
$da=\frac{\partial L}{\partial a}=-\frac{y}{a}+\frac{1-y}{1-a}$