激活函数大总结

以下是神经网络中常见的激活函数及其优缺点、改进方法以及示例代码，并将其按照适用场景分类：

1. Sigmoid 激活函数
Sigmoid 激活函数的公式为

输出值在 0 到 1 之间。

优点：

可以将输出值映射到概率分布，常用于二元分类问题。
缺点：

容易发生梯度消失现象，造成深层网络难以训练。
输出值不是以0为中心的，这会影响优化过程的收敛速度。
改进：

Tanh 函数：Tanh 函数是 Sigmoid 函数的变种，输出值在 -1 到 1 之间，相对于 Sigmoid 更容易进行标准化处理。
Hard Sigmoid 函数：Hard Sigmoid 函数是 Sigmoid 函数的一种简单近似，可以降低计算复杂度，提高运算速度。
示例代码：

python
import numpy as np

def sigmoid(x):
    return 1 / (1 + np.exp(-x))

适用场合：二元分类问题

2. ReLU 激活函数
ReLU（Rectified Linear Unit）激活函数的公式为
f(x)=max(0,x)，只保留正数部分，负数部分置为 0。
优点：
计算速度快，易于实现。
可以缓解梯度消失问题，提高深层网络的训练速度和准确率。
缺点：
只有正数部分有导数，负数部分导数为 0，可能造成神经元死亡（永远不会被激活）。
容易出现“神经元坍塌”现象，即某些神经元输出恒为 0。
改进：
Leaky ReLU 函数：Leaky ReLU 函数在负数部分引入一个小的斜率，避免了神经元彻底“死亡”的情况。
PReLU 函数：PReLU 函数是对 Leaky ReLU 的进一步改进，采用可学习参数，适应不同的数据集。
示例代码：

python
import numpy as np

def relu(x):
    return np.maximum(0, x)

适用场合：多分类和回归问题

3. Tanh 激活函数

Tanh（双曲正切）激活函数的公式为

输出值在 -1 到 1 之间。
优点：
比 Sigmoid 函数更具有非线性特性。
输出值在 -1 到 1之间，更容易进行数据标准化。
缺点：
受到梯度消失问题的影响。
改进：
STReLU 函数：STReLU 函数是对 Tanh 函数的改进版本，采用可学习参数，适应不同的数据集。
ISRLU 函数：ISRLU 函数引入了一个参数，可以适当调整斜率和截距，取得更好的效果。
示例代码：

python
import numpy as np

def tanh(x):
    return np.tanh(x)

适用场合：分类和回归问题
4. Softmax 激活函数
Softmax 激活函数的公式为
Softmax 激活函数将多个输入值转换为概率分布，常用于多分类问题。
优点：
可以将多个输入值映射到一个概率输出。
对于多元分类问题效果良好。
缺点：
受到过拟合的影响较大，在训练数据不充足时容易出现过拟合现象。
改进：
Sparsemax 函数：Sparsemax 函数是对 Softmax 函数的改进版本，可以产生更稀疏的输出。
Gumbel-Softmax 函数：Gumbel-Softmax 函数是对 Softmax 函数的改进版本，加入了噪声，可以降低模型对训练数据的敏感度。
示例代码：

python
import numpy as np
def softmax(x):
    exp_x = np.exp(x - np.max(x, axis=-1)[:, np.newaxis])
    return exp_x / np.sum(exp_x, axis=-1, keepdims=True)

适用场合：多元分类问题
5. Swish 激活函数
Swish 激活函数的公式为

其中 σ 指 Sigmoid 函数，β 是可学习参数。
优点：
比 ReLU 函数更具有非线性特性。
在一些数据集上能够取得更好的分类效果。
缺点：
计算复杂度较高。
改进：
Mish 函数：Mish 函数是对 Swish 函数的改进版本，可以进一步提高分类效果和收敛速度。
示例代码：

python
import numpy as np

def swish(x, beta=1.0):
return x * sigmoid(beta * x)

def mish(x):
return x * np.tanh(softplus(x))

适用场合：
分类和回归问题，特别是在超参数调整时表现良好。

6. ELU 激活函数
ELU（Exponential Linear Unit）激活函数的公式为

，其中 α 是可学习参数。
优点：
比 ReLU 函数更具有非线性特性。
对于负数部分使用指数函数，可以避免神经元死亡问题。
缺点：
计算复杂度较高。
改进：
SELU 函数：SELU 函数是对 ELU 函数的改进版本，并且具有自归一化特性，适用于深层网络。
示例代码：

python
import numpy as np

def elu(x, alpha=1.0):
    return np.where(x > 0, x, alpha * (np.exp(x) - 1))

def selu(x, alpha=1.67326, scale=1.0507):
    scale_alpha = scale * alpha
    return scale_alpha * np.where(x > 0, x, np.exp(x) - 1)

适用场合：
分类和回归问题，特别是在深层网络中表现良好。

7. Softplus 激活函数
Softplus 激活函数的公式为

，输出值是正数。
优点：
具有一定的非线性特性。
对于负数部分使用指数函数，可以避免神经元死亡问题。
缺点：
梯度值不稳定，可能会出现梯度消失或爆炸的问题。
改进：
Swish 函数：Swish 函数是对 Softplus 函数的改进版本，可以加强非线性特性，并且具有一定的正则化效果。
示例代码：

python
import numpy as np

def softplus(x):
    return np.log(1 + np.exp(x))

def swish(x, beta=1.0):
    return x * sigmoid(beta * x)

适用场合：
分类和回归问题。

8. Hard Swish 激活函数
   Hard Swish 激活函数是对 Swish 函数的改进版本，公式为
   
   优点：
   计算速度快，易于实现。
   可以缓解梯度消失问题，并具有一定的正则化能力。
   缺点：
   对于大于等于 3 的输入值，输出值始终为常量，可能会影响模型表现。
   改进：
   Mish-hard 函数：Mish-hard 函数是对 Hard Swish 函数的改进版本，引入了可学习参数，可以适应不同的数据集。
   示例代码：

python
import numpy as np

def hard_swish(x):
    return x * np.minimum(np.maximum(x + 3, 0), 6) / 6

def mish_hard(x, beta=1.0, gamma=1.0):
    return x * np.tanh(softplus(beta * x)) * hard_sigmoid(gamma * x)

适用场合：
分类和回归问题。

分类：

一.非线性激活函数
这是神经网络中最常见的类型。非线性激活函数能够使模型输出更加复杂的函数关系，增加模型的表达能力。常用的非线性激活函数有sigmoid、tanh、ReLU等。

二.线性激活函数
线性激活函数不具备非线性特性，只是简单地将输入信号乘以一个权重系数，并加上一个偏置项。因此，使用线性激活函数的模型只能够表示线性函数，对于实际问题并不适用。

三.Softmax激活函数
Softmax激活函数通常用于多分类问题中，它能够将模型的输出转换为一个概率分布，方便进行分类。具体来说，Softmax激活函数会将模型的输出值归一化到[0,1]之间，并且所有输出的和必须等于1。

四.恒等映射激活函数
恒等映射激活函数将输入信号直接输出，不做任何变换。这种激活函数通常用于回归问题中，因为在回归问题中需要输出连续的实数值，而不是离散的类别标签。

总的来说，选择适合的激活函数需要根据具体问题进行权衡，不同的激活函数可能对模型的性能和训练效率产生不同的影响。