TensorFlow深度学习:5.3.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。
在这里插入图片描述

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。
在这里插入图片描述

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。
在这里插入图片描述

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)。
在这里插入图片描述

1.5.tf.nn.leaky_relu

对修正线性单元的改进,解决了死亡relu问题
在这里插入图片描述

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。
在这里插入图片描述

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。
在这里插入图片描述

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。
在这里插入图片描述

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。
在这里插入图片描述

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()
  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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