深度学习激活函数比较

一、Sigmoid函数

　　1）表达式

　　　　

         

 

　　2）函数曲线

　　

　　3）函数缺点

• • • 　梯度饱和问题。先看一下反向传播计算过程：

　　　　　　　　　　反向求导：

　　　　　　　　　　而其中：

　　　　　　　　　　

　　　　　　　　　　　　

 　　　　　　　　　　所以，由上述反向传播公式可以看出，当神经元数值无线接近1或者0的时候，在反向传播计算过程中，梯度也几乎为0，就导致模型参数几乎不更新了，对模型的学习贡献也几乎为零。也称为参数弥散问题或者梯度弥散问题。

　　　　　　　　　　同时，如果初始权重设置过大，会造成一开始就梯度接近为0，就导致模型从一开始就不会学习的严重问题。

• • • 　函数不是关于原点中心对称的。　

      这个特性会导致后面网络层的输入也不是零中心的，进而影响梯度下降的运作。

      因为如果输入都是正数的话（如 $$f=w^{T}x+b$$ 中每个元素都 $$x>0$$ ），那么关于 $$w$$ 的梯度在反向传播过程中，要么全是正数，要么全是负数（具体依据整个表达式 $$f$$ 而定），这将会导致梯度下降权重更新时出现 z 字型的下降。

      　　　　　　 　　　　

二、tanh函数

　　1）公式

 

　　2) 导数

　　　　

　　3）曲线

　

 

 

　　

　　tanh(x)=2sigmoid(2x)-1

      tanh 函数同样存在饱和问题，但它的输出是零中心的，因此实际中 tanh 比 sigmoid 更受欢迎。

 

三、ReLU函数

 

　　 1）表达式　　

　　　　　　f(x)=max(0,x)

　　

 

　 2）曲线　　

　　　　

 

　　相较于 sigmoid 和 tanh 函数，ReLU 对于 SGD 的收敛有巨大的加速作用（Alex Krizhevsky 指出有 6 倍之多）。有人认为这是由它的线性、非饱和的公式导致的。我觉得最起码在右半轴ReLU函数的梯度是恒定的，不存在饱和情况，只是在左侧存在梯度硬饱和，sigmoid函数属于两端都软饱和，这可能是ReLU函数相对比较受欢迎的原因吧，最起码有一端比较完美了。

　　ReLU 的缺点是，它在训练时比较脆弱并且可能“死掉”，就是在梯度为0硬饱和的时候，容易出现这种死掉的情况。

　　局限性

3）改进

 

参考链接：https://cloud.tencent.com/developer/article/1399909

转载于:https://www.cnblogs.com/gczr/p/7520723.html