人工智能--激活函数

        激活函数是深度学习，也是人工神经网络中一个十分重要的学习内容，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非常重要的作用。

常用三个激活函数：

（1）Sigmoid函数

        sigmoid函数可以将输入的整个实数范围内的任意值映射到[0,1]范围内，当输入值较大时，会返回一个接近于1的值，当输入值较小时，则返回一个接近于0的值。在tensorflow中，用tf.sigmoid(x)直接调用这个函数使用。

Sigmoid函数的数学公式和函数图像如下
 

优点：输出在映射区间(0,1)内单调连续，非常适合用作输出层，并且比较容易求导。

缺点：其解析式中含有幂运算，计算机求解时相对比较耗时，对于规模比较大的深度网络，会较大地增加训练时间。

2）Tanh函数

        tanh函数相似于sigmoid函数，但它能将值映射到[-1,1]的范围。于sigmoid函数相比，它的输出均值是0，使得其收敛速度要比sigmoid快，减少迭代次数，但幂运算的问题依然存在。

Tanh函数数学公式和函数图像如下：

3）Relu函数

        relu函数，是目前被使用最为频繁得激活函数，relu函数在x < 0时，输出始终为0。由于x > 0时，relu函数的导数为1，即保持输出为x，所以relu函数能够在x > 0时保持梯度不断衰减，从而缓解梯度消失的问题，还能加快收敛速度。

relu函数数学公式和函数图像如下：

其中最常用、用途最广泛的是Relu函数。

总结：

如果要进行0和1的二分类选择，Sigmoid函数是不错的。

如果你的任务是在0到1,-1到1之间进行回归问题预测，首选Tanh函数。

如果要进行视觉分析CNN，Relu函数是比较好的应用函数。

神经网络设定的层数，三层神经网络，基本满足应用，业务的需求，具体每层的神经元需根据具体

的业务进行分析。   

请记住没有最好的模型，只有最适合的模型。