PyTorch常用激活函数

神经网络只是由两个或多个线性网络层叠加，并不能学到新的东西，简单地堆叠网络层，不经过非线性激活函数激活，学到的仍然是线性关系。

但是加入激活函数可以学到非线性的关系，就具有更强的能力去进行特征提取。

---

构造数据

import torch
import torch.nn.functional as F
from torch.autograd import Variable

import matplotlib.pyplot as plt

x = torch.linspace(-5, 5, 200)   # 构造一段连续的数据
x = Variable(x)	  # 转换成张量
x_np = x.data.numpy()	# 换成 numpy array, 出图时用

Relu

表达式：
$$r(x)=max(0,x)$$
代码：

y_relu = F.relu(x).data.numpy()
plt.plot(x_np, y_relu, c='red', label='relu')
plt.ylim((-1, 5))
plt.legend(loc='best')

plt.show()

形状如图：

---

Sigmoid

表达式：
$$\sigma (z)=\frac{1}{1+e^{-x}}$$
代码：

y_sigmoid = F.sigmoid(x).data.numpy()
plt.plot(x_np, y_sigmoid, c='red', label='sigmoid')
plt.ylim((-0.2, 1.2))
plt.legend(loc='best')

plt.show()

形状如图：

---

Tanh

表达式：
$$tanh(x)=\frac{e^x-e^{-x}}{e^x+e^{-x}}$$
代码：

y_tanh = F.tanh(x).data.numpy()
plt.plot(x_np, y_tanh, c='red', label='tanh')
plt.ylim((-1.2, 1.2))
plt.legend(loc='best')

plt.show()

形状如图：

---

Softplus

表达式：
$$\zeta (x)=log(1+e^x)$$
代码：

y_softplus = F.softplus(x).data.numpy()
plt.plot(x_np, y_softplus, c='red', label='softplus')
plt.ylim((-0.2, 6))
plt.legend(loc='best')

plt.show()

形状如图：