PyTorch学习笔记（三）——激活函数

 

一、什么是 Activation （激活函数）

一句话概括激活函数：就是让神经网络可以描述非线性问题的步骤，使神经网络功能变得更强大。如果还不是特别了解, 可以参看莫烦制作的动画短片，浅显易懂的阐述了激励函数的作用。

二、Torch 中的激励函数 

Torch 中的激励函数有很多，不过我们平时要用到的就这几个。relu、sigmoid、tanh和softplus。那我们就看看他们各自长什么样啦。

import torch
import torch.nn.functional as F     #激励函数
from torch.autograd import Variable

# 做一些假数据来观看图像
x = torch.linspace(-5, 5, 200)  # x data (tensor), shape=(100, 1)
x = Variable(x)

在（-5，5）之间生成200个数据，然后把数据放到变量容器里。接着就是做生成不同的激励函数数据：

只有换成Numpy的数据格式，才能画出图。Torch格式和变量格式数据无法用于画图。

x_np = x.data.numpy()   #换成 numpy array, 出图时用

# 几种常用的 激励函数
y_relu = torch.relu(x).data.numpy()
y_sigmoid = torch.sigmoid(x).data.numpy()
y_tanh = torch.tanh(x).data.numpy()
y_softplus = F.softplus(x).data.numpy()
# y_softmax = F.softmax(x)  softmax 比较特殊, 不能直接显示, 不过他是关于概率的, 用于分类

接着我们开始画图，画图的代码也在下面：

import matplotlib.pyplot as plt  #python 的可视化模块

plt.figure(1, figsize=(8, 6))
plt.subplot(221)
plt.plot(x_np, y_relu, c='red', label='relu')
plt.ylim((-1, 5))
plt.legend(loc='best')

plt.subplot(222)
plt.plot(x_np, y_sigmoid, c='red', label='sigmoid')
plt.ylim((-0.2, 1.2))
plt.legend(loc='best')

plt.subplot(223)
plt.plot(x_np, y_tanh, c='red', label='tanh')
plt.ylim((-1.2, 1.2))
plt.legend(loc='best')

plt.subplot(224)
plt.plot(x_np, y_softplus, c='red', label='softplus')
plt.ylim((-0.2, 6))
plt.legend(loc='best')

plt.show()

输出结果：