文章目录
一、tf.nn.sigmoid:
将实数压缩到0到1之间,一般只在二分类
的最后输出层使用。主要缺陷为存在梯度消失问题,计算复杂度高,输出不以0为中心。函数和公式如下图所示
二、tf.nn.softmax:
sigmoid的多分类扩展,一般只在多分类
问题的最后输出层使用。
三、tf.nn.tanh:
将实数压缩到-1到1之间,输出期望为0。主要缺陷为存在梯度消失
问题,计算复杂度高。
(主流)四、tf.nn.relu:
修正线性单元,最流行的激活函数
。一般隐藏层使用。主要缺陷是:输出不以0为中心,输入小于0时存在梯度消失问题(死亡relu)。
五、tf.nn.leaky_relu:
对修正线性单元的改进,解决了死亡relu问题
。
六、tf.nn.elu:
指数线性单元。对relu的改进,能够缓解死亡relu问题
。
七、tf.nn.selu:
扩展型指数线性单元。在权重用tf.keras.initializers.lecun_normal初始化前提下能够对神经网络进行自归一化。不可能出现梯度爆炸或者梯度消失问题。需要和Dropout的变种AlphaDropout
一起使用。
八、tf.nn.swish:
自门控激活函数。谷歌出品,相关研究指出用swish替代relu将获得轻微效果
提升。