吴恩达深度学习【week3】神经网络--激活函数的选择

之前的学习中，多数使用的是sigmoid作为激活函数

 

• 下图是几个函数的图像

 

• sigmoid的导数图像

• ReLu的导数图像

结论就是sigmoid的导数只有在0附近的时候有比较好的激活性，在正负饱和区的梯度都接近于0，所以这会造成梯度弥散，而relu函数在大于0的部分梯度为常数（导数是相同的），所以不会产生梯度弥散现象。第二，relu函数在负半区的导数为0 ，所以一旦神经元激活值进入负半区，那么梯度就会为0，也就是说这个神经元不会经历训练，即所谓的稀疏性。第三，relu函数的导数计算更快，程序实现就是一个if-else语句，而sigmoid函数要进行浮点四则运算。

版权声明：上文内容转载于CSDN博主「迷川浩浩_ZJU」的原创文章，遵循CC 4.0 by-sa版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_21190081/article/details/64127103

---

• 这里说会产生梯度弥散，，什么是梯度弥散？

靠近输出层的hidden layer 梯度大（斜率大（靠近z=0）），参数更新快，所以很快就会收敛；

而靠近输入层的hidden layer 梯度小（斜率小（远离z=0）），参数更新慢，几乎就和初始状态一样，随机分布。

这种现象就是梯度弥散（vanishing gradient problem）。

而在另一种情况中，前面layer的梯度通过训练变大，而后面layer的梯度指数级增大，这种现象又叫做梯度爆炸(exploding gradient problem)。

//but有点没懂，relu在z<0的情况下的梯度是0，那参数岂不是不更新了/。。？/后面又查了一下这个问题，，所以又有了一个新的ReLU解决z<0的问题，leaky ReLU