tensorflow 2.0 神经网络与全连接层 之 输出方式

输出范围

不同的应用，不同的场景输出范围是不同的。

1. $y\in R^d$ 整个实数范围。
2. $y_i\in [0,1],i=0,1,...,y_d-1$ 多分类每类的概率为零一之间。
3. $y_i\in [0,1],{\sum }_{i=0}^{y_d}{y}_i=1,i=0,1,...,y_d-1$ 多分类每类的概率为零一之间且和为一。
4. $y_i\in [-1,1],i=0,1,...,y_d-1$

实数范围

1. 线性回归
2. 用 MSE 的简单分类问题
3. 其他比较一般的预测
4. $out=relu(X@W+b)$
   • logits （最后一层不激活）

零一之间

1. 二分类
   • $y>0.5,$ 正类。
   • $y<0.5,$ 负类。
2. 图片生成
   • rgb $[0,255]-[0,1]$。

BIGGAN 生成的图片

如何压缩值到零一范围之内：

1. $out=relu(X@W+b)$
2. sigmoid
3. $ou{t}^{\prime }=\sigma (out)$

tf.sigmoid

a = tf.linspace(-6., 6, 10)
tf.reduce_min(a), tf.reduce_max(a)
# tf.Tensor(-6.0, shape=(), dtype=float32) tf.Tensor(6.0, shape=(), dtype=float32)
a = tf.sigmoid(a)
tf.reduce_min(a), tf.reduce_max(a)
# tf.Tensor(0.002472639, shape=(), dtype=float32) tf.Tensor(0.9975274, shape=(), dtype=float32)

a = tf.random.normal([1, 28*28])*5
tf.reduce_min(a), tf.reduce_max(a)
# tf.Tensor(-16.22344, shape=(), dtype=float32) tf.Tensor(16.260736, shape=(), dtype=float32)
a = tf.sigmoid(a)
tf.reduce_min(a), tf.reduce_max(a)
# tf.Tensor(5.9604645e-08, shape=(), dtype=float32) tf.Tensor(0.99999994, shape=(), dtype=float32)

零一之间 和为一

• sigmoid

a = tf.linspace(-2., 2, 5)
tf.reduce_sum(tf.sigmoid(a))   # tf.Tensor(2.5, shape=(), dtype=float32)

• softmax 大者更大

a = tf.linspace(-2., 2, 5)
tf.reduce_sum(tf.sigmoid(a))   # tf.Tensor(2.5, shape=(), dtype=float32)
tf.reduce_sum(tf.nn.softmax(a))   # tf.Tensor(1.0, shape=(), dtype=float32)

分类实例

logits = tf.random.uniform([1, 10], minval=-2, maxval=2)
# tf.Tensor(
# [[ 0.39318037 -1.1405406  -1.4796648  -1.059619    0.00410414  0.21543264
#    0.9332652  -1.734467   -0.23943186  1.796689  ]], shape=(1, 10), dtype=float32)

prob = tf.nn.softmax(logits, axis=1)
# tf.Tensor(
# [[0.02795015 0.0291838  0.08102272 0.01900888 0.0333832  0.07500502
#   0.23073502 0.07967106 0.31747448 0.10656565]], shape=(1, 10), dtype=float32)

tf.reduce_sum(prob)   # tf.Tensor(1.0, shape=(), dtype=float32)

负一一之间

• tanh
  $$tanh(x)=sinh(x)/cosh(x)=(e^x-e^{-x})/(e^x+e^{-x})$$
  

a = tf.linspace(-6., 6, 10)
tf.reduce_min(a), tf.reduce_max(a)
# tf.Tensor(-6.0, shape=(), dtype=float32) tf.Tensor(6.0, shape=(), dtype=float32)
a = tf.tanh(a)
tf.reduce_min(a), tf.reduce_max(a)
# tf.Tensor(-0.9999877, shape=(), dtype=float32) tf.Tensor(0.9999877, shape=(), dtype=float32)