深度学习中的激活函数和损失函数

1、激活函数演变史
1）阶梯激活函数非0即1的阈值涉及使得输入的微小变化会引起输出的大幅度跳变，进而引进了较平缓的sigmoid、tanh。
2）sigmoid函数输出在0~1,比较符合概率分布的特点；中央区对信号增益大，两侧对信号增益小，分别对应神经元的兴奋态和抑制态。但是sigmoid 存在梯度消失的情况，网络深的时候就训练慢，甚至不可训练，需要通过无监督的逐层训练初始化权重来解决。
3）Relu(修正线性单元），相比于sigmoid，单侧抑制、相对宽阔的兴奋边界，解决了梯度消失的问题
2、交叉熵损失函数与softmax
softmax是模型的最后一层，交叉熵损失函数是衡量softmax输出（神经网络输出）与groundtruth之间差异的
3、keras 自定义损失函数
1）深度学习中的全局最优和局部最优
局部最优如果能达到比较好的效果，就可以应用于实践；而全局最优往往是过拟合
2）深度学习的优化算法对比
SGD参数较多，调试比较麻烦；而Adagrad、Adam等自适应的优化算法往往能减轻调试参数的负担。
3)自定义损失函数
softmax拟合one-hot编码效果较好；但实际中，我们往往需要定义自己的损失函数。如我们要拟合的编码可能是类似于[0 1 1 0 1 1 ]这样的普通编码方式；再有分类中常用的Triplet Loss函数。具体keras实现如下：
from keras import backend as K
def mycrossentropy(y_true, y_pred，…):
return …
model.compile(loss=my_loss,optimizer=‘SGD’,metrics=[‘accuracy’])