一、激活函数的作用是什么?
- 引入非线性:没有激活函数的神经网络本质上是线性的,即使有多层。这意味着无论网络有多少层,最终的输出仍然是输入的线性组合。激活函数通过引入非线性变换,使得神经网络能够模拟非线性关系,这是处理复杂数据所必需的。
- 控制输出范围:某些激活函数,如Sigmoid和Tanh,能够将输出限制在特定的范围内(例如Sigmoid函数的输出范围是(0, 1),Tanh函数的输出范围是(-1, 1))。这有助于处理输出的稳定性和可解释性,例如在二分类问题中,Sigmoid函数的输出可以被解释为概率。
- 帮助反向传播:在训练神经网络时,激活函数的导数(梯度)对于反向传播算法计算权重更新非常重要。激活函数的梯度不应为0或接近0,以避免梯度消失问题。梯度消失问题是指在深层网络中,梯度可能会变得非常小,导致权重更新非常缓慢,甚至停止学习。
- 零中心化:某些激活函数,如Tanh,是零中心化的,这意味着它们的输出是以0为中心的。这有助于数据的规范化,使得学习过程更加稳定和高效。
- 稀疏激活:激活函数如ReLU(Rectified Linear Unit)能够实现稀疏激活,即在输入值小于0时输出0。这有助于提高计算效率,并且可以增加网络的稀疏性,从而提高模型的泛化能力。
- 避免饱和:某些激活函数,如ReLU,可以避免在正区间内饱和,即梯度恒定,这有助于缓解梯度消失问题,并加速训练过程。
- 增加模型的表达能力:通过使用不同的激活函数,可以增加模型的表达能力,使其能够捕捉更复杂的数据特征。
二、激活函数
1.Sigmoid函数
Sigmoid函数的图形是一个S形曲线,也称为逻辑曲线。当输入值 𝑥 非常大时,函数输出趋近于1;当输入值 𝑥 非常小时,函数输出趋近于0。当 𝑥 接近0时,函数的输出约为0.5。
- σ(x) 是Sigmoid函数的输出。
- 𝑥 是输入值。
- 𝑒 是自然对数的底数,约等于2.71828。
sigmoid函数取值范围为(0,1),可以用来做二分类。
sigmoid缺点∶
- 激活函数计算量大,反向传播求误差梯度时,求导涉及除法
- 反向传播时,很容易就会出现梯度消失的情况,从而无法完成深层网络的训练
- sigmoids函数饱和且kill掉梯度。
- Sigmoids函数收敛缓慢。
2.tanh函数
与sigmoid函数类似,tanh函数也能将其输入压缩转换到区间(-1,1) 上:
tanh在特征相差明显时的效果会很好,在循环过程中会不断扩大特征效果。
3.ReLU函数
线性整流单元(ReLU),ReLU提供了一种非常简单的非线性变换。给定元素 x ,ReLU函数被定义为该元素与 0 对比中的最大值。
ReLU函数通过将相应的活性值设为0,仅保留正元素并丢弃所有负元素。如下为ReLU函数的曲线图。
4.softmax函数
在二分类任务时,经常使用sigmoid激活函数。而在处理 多分类问题 的时候,需要使用softmax函数。它的输出有两条规则。
- 每一项的区间范围的(0,1)。
- 所有项相加的和为1。