TensorFlow 激活函数、损失函数、梯度下降

本文详细介绍了神经网络中的关键元素:激活函数,包括Sigmoid、Tanh、ReLU及其变种,SoftPlus和Swish;损失函数,如均值平方差和交叉熵;以及梯度下降中的优化器和学习率调整策略。通过对这些概念的深入理解,有助于提升模型的训练效果和精度。
摘要由CSDN通过智能技术生成

本章节主要讲有关神经网络的三个重要部分:激活函数、损失函数、梯度下降。其余学习内容参考:TensorFlow 学习目录

目录

一、激活函数

1. Sigmoid函数

2. Tanh函数

3. ReLU函数

4. SoftPlus函数

5. ReLU变种函数:Noisy relus、Leaky relus、Elus

6. Swish函数

7. softmax函数

8. 激活函数的总结

二、损失函数

1. 均值平方差(Mean Squared Error,MSE)

2. 交叉熵(Cross Entropy)

3. TensorFlow调用方式

三、梯度下降

1. 优化器

2. 退化学习率


一、激活函数

引入激活函数的目的是用来加入非线性因素,以解决线性模型表达不足的问题,在整个神经网络中起到了重要的作用。因为神经网络的数学基础是处处可微的,所以选取的激活函数,要保证输入和输出也是可微的。

1. Sigmoid函数

<1>函数表达式

sigmoid(x)=\frac{1}{1+e^{-x}}

<2>函数曲线

  • 1
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值