- CNN使用ReLU激活函数的原因是ReLU能够更好地处理卷积层输出中的非线性特征,他的导数是0或1,避免和Sigmoid函数出现一样的问题:当输入值非常大或非常小的时候容易出现梯度消失的问题。
- RNN不使用ReLU的原因是ReLU的输出范围在 [0, +∞) 上,会导致输出值非常的大,而使用tanh,他的输出范围在[-1, 1] 上,相当于对输出进行了标准化使得网络更容易训练,此外,tanh 激活函数具有平滑的导数,有助于梯度传播和避免梯度消失问题。但是由于tanh导数的取值范围为 (0,1],因此长时间依赖关系仍然可能导致梯度消失或爆炸问题。因此,一般需要采用梯度裁剪等技术来进一步避免这些问题。
- 也有大佬说,当初设计RNN的时候relu激活函数还没出现,而且tanh后的值也相对稳定,分布在0附近,因此也一直在使用他。
- 所以遇到同样问题的伙伴不要像我一样死钻牛角尖了,不是很重要,RNN几乎不怎末用,处理不是特别长的序列时使用GRU和LSTM还是比较多的。
为什么CNN的激活函数使用relu,RNN的激活函数使用tanh?
于 2023-04-17 15:02:05 首次发布