本文探讨了深度学习中激活函数的重要性，包括引入非线性、可微性和单调性等关键性质。ReLU因其训练速度快和避免梯度消失而广泛使用，但存在负区死区问题。tanh相比于sigmoid具有更快的收敛速度。选择激活函数时，通常会根据问题类型和实验效果来决定，如二分类问题常用sigmoid，多分类问题则倾向于softmax。
理论系列：
实战系列：
1、为什么需要激活函数
深度学习中，通常使用的激活函数是非线性的，比如Sigmoid、Tanh、ReLU等。引入激活函数，主要有以下几个作用：
- 可以引入非线性因素，对于理解复杂和非线性的函数具有重要作用。如果不使用激活函数，则输出信号只是一个简单的线性函数，神经网络就无法学习和模拟其他复杂类型的数据，比如图像、视频、语音等；
- 使用非线性激活函数，可以使网络更加强大，学习到复杂的任务，能够在输入和输出之间生成复杂的非线性映射；
- 可以把当前特征空间通过一定的线性映射转换到另一个空间。
2、激活函数有哪些性质
激活函数一般具有以下性质：
- 非线性：当激活函数是非线性的，一个两层的神经网络就基本上可以逼近所有的函数。
- 可微性：处处可导，可以继续反向传播训练
- 单调性：当激活函数是单调的时候，单层网络能够保证是凸函数
- f’(x)=x：当满足此条件，如果参数的初始化是随机的较小值，网络的训练将会很高效
- 当输出值有限制时：比如Sigmoid、Tanh，基于梯度的优化方法会更加稳定
- 当输出值无限制时：比如ReLU、Leaky ReLU、Softplus等，模型的训练会更加高效，不过在这种情况下，一般需要更小的学习率
3、如何选择激活函数
选择一个合适的激活函数需要考虑很多因素。通常的做法是，如果不确定哪一个激活函数效果会更好，可以逐一尝试，然后在验证集或测试集上进行评价。
以下是常见的选择建议：
- 对于二分类问题（输出值是0、1)，则输出层选择sigmoid激活函数，其他的所有层选择relu
- 对于多分类问题，一般输出层选择softmax激活函数
- Tanh：它非常优秀，几乎适合所有场合
- ReLU：最常用的激活函数，如果不确定用哪个激活函数，就先使用ReLU或者Leaky ReLU，再尝试其他激活函数
4、ReLU激活函数的优缺点
relu函数的优点如下：
- 训练更快：使用ReLU或者Leaky ReLU的神经网络通常会比使用sigmoid或tanh的神经网络学习得更快
- 避免了梯度弥散：当输入无穷大或无穷小时，sigmoid或tanh的梯度接近0，这会造成梯度弥散现象。而ReLU或者Leaky ReLU在输入大于0的部分，导数均为一个常数，避免了梯度弥散。
- 单侧抑制，稀疏性：当输入小于0时，ReLU的梯度为0，神经元不会训练。模拟神经元的激活率是很低的这一特性，对输入信号的少部分进行选择性相应，正是这样的稀疏性提高了网络的性能。
relu函数的缺点如下：
- 在输入小于0的时候，即使有很大的梯度传播过来也会戛然而止。
5、为什么tanh收敛速度比sigmoid快
这与激活函数的求导有关：
t a n h ′ ( x ) = 1 − t a n h ( x ) 2 tanh'(x)=1-tanh(x)^2 tanh′(x)=1−tanh(x)2，导数范围在（0，1）
s i g m o i d ′ ( x ) = s ( x ) ( 1 − s ( x ) ) sigmoid '(x)=s(x)(1-s(x)) sigmoid′(x)=s(x)(1−s(x))，导数范围在（0，1/4）
由此可见，tanh(x)梯度消失的问题比sigmoid(x)轻，所以tanh收敛速度比较快。
最好的关系是互相成就，各位的「三连」就是【AI 菌】创作的最大动力，我们下期见！
扫一扫
25万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
