神经网络-激活函数

一、种类

常见的神经网络激活函数包括sigmoid、softmax、relu、tanh等，具体函数形式和特点可以参考¹
接下来简单说一下各类激活函数的特点。

（一）、sigmoid

• 输出值范围在0-1之间，非线性

• 导数值简单，$y^{\prime }=y(1-y)$

• 当值很大或者很小的时候，导数值趋近于0，从而加重gradient vanish，收敛速度慢

（二）、softmax

• 输出值在0-1之间，可方便表示概率，适合输出层使用

（三）、relu

参考²

• 当输入x小于0的时候，输出为0，可以增加隐层节点的稀疏性

• 计算快，导数为常数，不需要指数计算

• 收敛速度快，因为导数值为常数，不会像sigmoid那样加重gradient vanish

（四）、tanh

• 类似于sigmoid，存在导数值饱和的问题

二、选择

分类问题³，最后一层使用softmax，损失函数使用cross entropy
回归问题，最后一层使用sigmoid或者tanh，损失函数使用平方和
层内部的非线性函数使用ReLU

---

后面的技术分享转移到微信公众号上面更新了，【欢迎扫码关注交流】

---

1. https://en.wikipedia.org/wiki/Activation_function ↩︎

2. https://www.quora.com/What-is-special-about-rectifier-neural-units-used-in-NN-learning ↩︎

3. http://stackoverflow.com/questions/34229140/choosing-from-different-cost-function-and-activation-function-of-a-neural-networ?lq=1 ↩︎