激活函数解析

前言

激活函数在神经网络经常用到激活函数,激活函数的作用是对神经元的输出做一个非线性的变换,进而求得对应的梯度,进行梯度下降优化

Sigmoid

sigmoid函数表示式为
sigmoid(x) = 1 / (1 + e^(-x))
它相较阶跃函数有更好的可导性
如果设sigmoid函数为f(x)
则其导数为f(x)*(1-f(x))
在这里插入图片描述
所以它求导也很简单
但是当输入发生偏移,比如偏移到3或4,其梯度是很小的,也就是参数更新会很慢
其次当偏移过大,会直接导致梯度为0
后续人们推出批量归一化层,假设数据服从正态分布,将数据重新分布到一个正态分布,从而缓解了梯度问题

Tanh

tanh激活函数与sigmoid很相似,只不过值域从sigmoid的(0, 1)变成了(-1, 1)

  • 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