激活函数作用

最新推荐文章于 2024-10-07 18:59:00 发布

BangGui02

最新推荐文章于 2024-10-07 18:59:00 发布

阅读量2.2k

点赞数 1

分类专栏：激活函数作用文章标签：激活函数

本文链接：https://blog.csdn.net/u010238520/article/details/79005548

版权

激活函数作用专栏收录该内容

1 篇文章 0 订阅

订阅专栏

激活函数作用

在神经网络结构中，通过激活函数将非线性的特性引入到神经网络中，从而让神经网络可以理解、处理复杂的数据及问题。

什么是激活函数

通常激活函数的形式可以写成： $y=f(x)$ 。这里的 $x$ 是激活函数 $f(.)$ 的输入， $y$ 是 $x$ 经过激活函数变换得到的输出。通过 $f(.)$ 将原来的输入 $x$ 映射成为另外一种形式表达 $y$ 。
通常在神经网络结构中常用的激活函数有：
1.sigmoid函数：
$f(x)=\frac{1}{e^{(-x)}+1}.$
2.tanh函数：
$f(x)=\frac{1-e^{(-2x)}}{1+e^{(-2x)}}$
3.ReLU函数：
$f(x)=max(0, x)$
4.Leaky ReLU, RReLU等等

为什么在神经网络结构中加入激活函数

在神经网络结构中，通常网络结构是一种这样的结构：神经元-激活函数-神经元-激活函数…。也即在每个神经元计算得到一个输出后，再将输出输入到一个激活函数 $f(.)$ ，对神经元的输出做一个非线性变换得到当前网络层的最终输出结果。这样设计的一种多层次神经网络通常可以拟合任何目标函数。而如果将神经元后面的激活函数移除，则整个神经网络模型就变成一个简单线性函数，而此时的神经网络只能解决简单的线性可分或者回归问题，对于复杂的问题，比如：图像分类、语音识别、以及机器翻译等等，简单的线性函数则不能很好的处理上述这些复杂的问题。在神经网络的每个网络层后面都添加一个激活函数，则可以对每个网络层的输出做一个非线性变换，整个神经网络就变成了一个十分复杂的非线性函数。此时的神经网络就变得十分强大，可以处理上述很多复杂的问题。使它可以学习复杂的事物，复杂的表单数据，以及表示输入输出之间非线性的复杂的任意函数映射。