永续公债（or统一公债）的麦考利久期（Macaulay Duration）的计算

最新推荐文章于 2025-04-16 22:21:41 发布

weixin_33860722

最新推荐文章于 2025-04-16 22:21:41 发布

阅读量7k

点赞数 1

文章标签： python r语言 java

原文链接：http://www.cnblogs.com/shadrach/p/9560897.html

版权

转载于:https://www.cnblogs.com/shadrach/p/9560897.html

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

weixin_33860722

关注关注

1
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专注于人工智能学习，总结

12-29

1328

在接触到深度学习（Deep Learning）后，特别是神经网络中，我们会发现在每一层的神经网络输出后都会使用一个函数（比如sigmoid，tanh，Relu等等）对结果进行运算，这个函数就是激活函数（Activation Function）。那么为什么需要添加激活函数呢？如果不添加又会产生什么问题呢？首先，我们知道神经网络模拟了人类神经元的工作机理，**激活函数（Activation Function）是一种添加到人工神经网络中的函数，旨在帮助网络学习数据中的复杂模式。**

第21节：深度学习基础-激活函数比较（ReLU, Sigmoid, Tanh）

最新发布

2401_82355416的博客

05-05

1551

引入非线性：使神经网络能够学习和表示复杂的数据模式决定神经元输出：基于输入决定神经元是否应该被激活（输出非零值）映射输出范围：将输入映射到特定范围（如0到1或-1到1）影响梯度流动：在反向传播过程中影响梯度的计算和传播Sigmoid函数是最早被广泛使用的激活函数之一，其数学表达式为：函数输出范围在(0,1)之间，可以将任何实数映射到这个区间。Tanh（双曲正切）函数是Sigmoid函数的缩放和移位版本，其数学表达式为：输出范围在(-1,1)之间。

参与评论您还未登录，请先登录后发表或查看评论

神经网络最全激活函数，包括sigmoid，tanh，ReLU，ELU，P

06-23

神经网络最全激活函数，包括sigmoid，tanh，ReLU，ELU，PReLU，softplus，liner等激活函数，应有尽有

深度学习——激活函数总结

loveliuzz的博客

09-04

3514

激活函数主要作用是：加入非线性的因素，以解决线性模型表达能力不足的缺陷，在整个神经网络里面起到至关重要的作用。因为神经网络的数学基础是处处可微的，所以选取的激活函数要能保证数据输入与输出也是可微的。在神经网络中常用的激活函数有Sigmoid、Tanh、ReLU、Softplus以及变种函数Noisy ReLU、Leaky ReLU、Elus、Swish等。 1、Sigmoid函数...

一文搞懂深度学习常见求导公式（含 sigmoid、tanh、梯度详解）

m0_67503823的博客

04-16

1044

σx11e−xσx1e−x1tanh⁡xex−e−xexe−xtanhxexe−xex−e−x∇fxy∂f∂x∂f∂y∇fxy∂x∂f∂y∂f👉 梯度表示函数变化最快的方向。函数导数exe^xexexe^xexaxa^xaxax⋅ln⁡aax⋅lnaln⁡x\ln xlnx1x1/x1/xxnx^nx。

【深度学习基础之激活函数】ReLU、ReLU6 和 GELU 是三种常见的激活函数，它们各自的特点、优缺点和适用场景你了解多少呢？

985小水博的摸鱼日常

12-24

1263

【深度学习基础之激活函数】ReLU、ReLU6 和 GELU 是三种常见的激活函数，它们各自的特点、优缺点和适用场景你了解多少呢？

深度学习之激活函数详解

sq_wang1983的专栏

04-01

1146

激活函数是什么? 激活函数, 即Activation Function, 有时候也称作激励函数. 提到激活函数,就不得不先说一下神经网络. 神经网络中最基本的成分是神经元(neuron)模型, 每个神经元与其他神经元相连.如果某神经元的电位超过了一个'阈值'(threshold), 那么它就会被激活, 即'兴奋'起来.当它'兴奋'时就会向相连的神经元发送化学物质，从而改变这些神经元内的电位. ...

深度学习-常用激活函数详细介绍

算法之美

11-27

1031

本文主要介绍深度学习常用激活函数，介绍了sigmoid激活函数，tanh激活函数，relu激活函数等

激活函数

diaomache7783的博客

08-10

165

什么是激活函数 激活函数是一个几乎处处可微的函数，在神经网络中，它的作用是给神经网络添加一些非线性因素，从而使得神经网络能够解决一些更加复杂的问题。在某些情况下，数据是线性可分的，如下图所示：图片来源于网络而在另外一些情况下，数据是线性不可分的，如下图所示：图片来源于网络这个时候，我们就需要通过激活函数添加一些非线性因素，从而更好地解决问题，如下图所示：图片来源于网络 ...

深度学习——激活函数

batian123的博客

09-04

4126

当 x0 时，则不存在饱和问题。所以，ReLU 能够在 x>0 时保持梯。ReLU 激活函数将小于 0 的值映射为 0，而大于 0 的值则保持不变，它。即：Softmax 就是将网络输出的。通过 softmax 函数，就。（也就是值对应最大的）节。，这种激活函数运算更为。，那么我们将它理解成。

ReLU和ReLU6

chen_znn的博客

02-23

3684

本文介绍了ReLU和ReLU6的优缺点以及如何选择合适的激活函数

ReLU激活函数杂谈

01-06

在实现多层感知机代码实现中使用了ReLU激活函数： ReLU(x)=max(x,0)ReLU(x)=max(x,0)ReLU(x)=max(x,0) 形状大概是这样的这里根据几个问题来进行回答解释为什么要使用激活函数呢？简单来说激活函数的作用就是将仿射函数进行非线性化，可以拟合出更多的情况。更详细的解答可以参考知乎激活函数的解释 ReLU函数的梯度问题首先谈一下sigimoid函数的梯度，通常不选用它是因为sigmoid函数可能有梯度消失的情况，原因可以看它的梯度函数图可以看到蓝色的线是sigmoid函数图像，橘色的线是它的梯度图。当输入值特别大或者特别小的时候，sigmoid函

YOLOv5改进系列(二) 更换激活函数SiLU，ReLU，ELU，Hardswish，Mish，Softplus，AconC等

专注于人工智能学习，总结

12-14

7738

1.1 什么是激活函数？在接触到深度学习（Deep Learning）后，特别是神经网络中，我们会发现在每一层的神经网络输出后都会使用一个函数（比如sigmoid，tanh，Relu等等）对结果进行运算，这个函数就是激活函数（Activation Function）。那么为什么需要添加激活函数呢？如果不添加又会产生什么问题呢？首先，我们知道神经网络模拟了人类神经元的工作机理，**激活函数（Activation Function）是一种添加到人工神经网络中的函数，旨在帮助网络学习数据中的复杂模式。**

深度学习中激活函数的演变与应用：一个综述

wwlsm_zql的博客

07-11

1414

本文全面回顾了深度学习中激活函数的发展历程，从早期的Sigmoid和Tanh函数，到广泛应用的ReLU系列，再到近期提出的Swish、Mish和GeLU等新型激活函数。深入分析了各类激活函数的数学表达、特点优势、局限性以及在典型模型中的应用情况。通过系统的对比分析，本文探讨了激活函数的设计原则、性能评估标准以及未来可能的发展方向，为深度学习模型的优化和设计提供理论指导。

深度学习-激活函数总结

fzz97_的博客

03-16

390

主要介绍了激活函数的作用，以及sigmoid、tanh、relu等在内的常见激活函数的性质和优缺点。

深度学习常用激活函数

YEnh的唐伯虎的博客

08-18

1086

神经网络常用激活函数

深度学习4大激活函数

尤尔小屋

10-25

966

深度学习4大激活函数

[深度学习]什么叫激活函数

henku449141932的博客

07-29

4764

1.激活函数的定义我们看百度百科对激活函数的定义： 激活函数（Activation Function），就是在人工神经网络的神经元上运行的函数，负责将神经元的输入映射到输出端。 激活函数（Activation functions）对于人工神经网络模型去学习、理解非常复杂和非线性的函数来说具有十分重要的作用。它们将非线性特性引入到我们的网络中。可以看出，激活函数主要的两个特性：在人工神经网络上运行的函数，既然是一个函数，就能够普通的函数一样使用。把非线性特性引入网络中，简单说就是激活...

h_sigmoid函数与hard sigmoid函数的区别

11-08

H_sigmoid函数和hard sigmoid函数都是激活函数的变种，主要用于神经网络模型中非线性转换输入信号。它们的主要区别在于： 1. **连续性**： - H_sigmoid（也称为Hyperbolic Sigmoid或HSigmoid）是一个连续函数，其计算公式通常表示为 `f(x) = min(1, max(0, x))`。它在输入值为0时输出0，在正无穷大时输出1，中间部分线性增长。 2. **硬Sigmoid（Hard Sigmoid）**： - Hard sigmoid是一种近似离散的版本，通常表示为 `f(x) = 0 if x < 0 else clip(x / 6, 0, 1)`，其中 `clip` 函数将结果限制在0到1之间。这个函数实际上是一个分段函数，当x小于0时输出0，大于等于0时按照线性比例映射到[0,1]区间。 3. **计算效率**： - 因为Hard Sigmoid是通过比较和阈值化操作实现的，所以它的计算速度比连续的H_sigmoid更快，尤其是在硬件资源有限的设备上。 4. **梯度消失与溢出**： - H_sigmoid在输入较大或较小时，梯度更平滑，有助于防止梯度消失问题；而Hard Sigmoid在某些极端情况下的梯度可能会变得非常大或非常小，影响训练过程。