深度学习之激活函数——Tanh

Tanh

双曲正切1函数(tanh),其图像与sigmoid函数十分相近,相当于sigmoid函数的放大版。在实际的使用中,tanh函数要优先于sigmoid函数。

函数表达式

t a n h = e x − e − x e x + e − x tanh=\frac{e^x-e^{-x}}{e^x+e^{-x}} tanh=ex+exexex

其定义域为 R R R,值域为 ( − 1 , 1 ) (-1,1) (1,1)

函数图像

请添加图片描述

函数特性

由于tanh激活函数与sigmoid激活函数十分相似,所以两者在特性方面有很多共同点

实际上,tanh激活函数相当于sigmoid函数的平移: t a n h ( x ) = 2 s i g m o i d ( 2 x ) − 2 tanh(x)=2sigmoid(2x)−2 tanh(x)=2sigmoid(2x)2

优点:
  • 以0位对称中心,收敛速度快于sigmoid,提高了权重更新的效率

  • 部分解决了梯度消失的问题,因为其导数值更大

    tanh导数值与sigmoid导数值对比:

    请添加图片描述

    通过对比不难发现,tanh的导数值要远远大于sigmoid的导数值

缺点:
  • 与sigmoid一样,tanh函数具有容易饱和的特点,没有根治梯度消失的问题
    igmoid一样,tanh函数具有容易饱和的特点,没有根治梯度消失的问题
  • 计算复杂度较高,幂运算更加复杂
### 不同激活函数深度学习中的优缺点 #### Sigmoid 激活函数 Sigmoid 函数是一个经典的激活函数,其输出范围为 (0, 1),能够将任意实数值映射到这个区间内。然而,它存在梯度消失的问题,在反向传播过程中可能导致训练困难。 - **优点**: 输出值被压缩至固定范围内,适合用于概率预测场景下的二分类问题[^1]。 - **缺点**: 当输入较大或较小时,导数接近于零,容易引发梯度消失现象;计算指数运算较为耗时[^2]。 #### Tanh 激活函数 Tanh 是另一个常用的激活函数,可以看作是 Sigmoid 的变体,输出范围为 (-1, 1)。相比 Sigmoid,它的均值更接近于零,有助于中心化数据分布。 - **优点**: 能够更好地处理负值输入,并且通常收敛速度比 Sigmoid 更快[^3]。 - **缺点**: 同样面临梯度消失问题,尤其是在极端输入条件下表现不佳。 #### ReLU (Rectified Linear Unit) 激活函数 ReLU 定义简单直观:f(x) = max(0, x)。它是目前许多神经网络架构中最受欢迎的选择之一。 - **优点**: 计算效率高,因为只需判断输入是否大于零即可完成前向传播;有效缓解了梯度消失问题,促进了深层网络的学习能力。 - **缺点**: 对于小于零的部分会完全抑制信号传递,可能造成部分神经元“死亡”,即永远不再响应任何输入。 #### Leaky ReLU 激活函数 为了克服标准 ReLU 存在的死区问题,提出了改进版本——Leaky ReLU。该方法允许少量负斜率通过,即使当输入为负时也有微弱反应。 - **优点**: 避免了传统 ReLU 中可能出现的大规模神经元失活情况,保留了一定程度上的非线性特性。 - **缺点**: 参数调整敏感性强,如果设置不当可能会引入额外噪声或者影响最终性能。 #### ReLU6 激活函数 这是专门为移动设备优化设计的一种特殊形式的ReLU ,主要用于轻量级模型如MobileNet系列中 。ReLU6 将最大输出限定为6而不是无限大。 - **优点**: 特别适用于资源受限环境下的高效实现,同时保持良好的表达力。 - **缺点**: 可能限制某些特定应用场景下潜在的表现上限,特别是在需要非常宽泛动态范围表示的任务里。 ```python import numpy as np def sigmoid(x): return 1 / (1 + np.exp(-x)) def tanh(x): return np.tanh(x) def relu(x): return np.maximum(0, x) def leaky_relu(x, alpha=0.01): return np.where(x >= 0, x, alpha * x) def relu6(x): return np.minimum(np.maximum(0, x), 6) ```
评论 1
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