深度学习的激励函数

本文探讨了深度学习中常见的激活函数,如sigmoid、tanh、elu、softplus、softsign、relu及其变体。这些函数各有特点,sigmoid和tanh易出现梯度消失问题,elu、softplus和softsign具有不同的平滑性,relu则常用于缓解梯度消失,而relu6限制了输出范围。文中还提及了这些函数的导数和饱和效应。
摘要由CSDN通过智能技术生成

1.sigmoid函数:

S(x)=1/(1+exp(-x))

导数为:S(x)*(1-S(x))。这个数值不会超过0.25.。通过sigmoid函数计算的函数值在0~1之间,如果神经网络的层数很多,如果每一层的激励函数采用sigmoid函数,就会产生梯度弥散的问题。因为利用BP函数更新参数的时候,会乘以它的导数,所以会一直减小。并且在比较大或者比较小的时候,会产生饱和效应,导致神经元类似与死亡。

2.tanh函数

T(x) = (exp(x)-exp(-x))/(exp(x)+exp(-x))

导数:1-T(x)*T(x)

。tanh函数的值在-1~1之间。导数小于1.如果每一层用这个激励函数。会导致和sigmoid函数类似的情况。

3.elu函数


4.softplus函数

f(x)=ln(1+

  • 3
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 3
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 3
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