激活函数
1.常用激活函数
1.1.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。
1.2.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。
1.3tf.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。
1.4.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)。
1.5.tf.nn.leaky_relu
对修正线性单元的改进,解决了死亡relu问题
1.6.tf.nn.elu
指数线性单元。对relu的改进,能够缓解死亡relu问题。
1.7.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。
1.8.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。
1.9.gelu
高斯误差线性单元激活函数。在Transformer中表现最好。tf.nn模块尚没有实现该函数。
2.在模型中使用激活函数
在keras模型中使用激活函数一般有两种方式,一种是作为某些层的activation参数指定,另一种是显式添加layers.Activation激活层。
import numpy as np
import pandas as pd
import tensorflow as tf
from tensorflow.keras import layers,models
tf.keras.backend.clear_session()
model = models.Sequential()
model.add(layers.Dense(32,input_shape = (None,16),activation = tf.nn.relu)) #通过activation参数指定
model.add(layers.Dense(10))
model.add(layers.Activation(tf.nn.softmax)) # 显式添加layers.Activation激活层
model.summary()