這篇文章用來整理一下入門深度學(xué)習(xí)過程中接觸到的四種激活函數(shù)，下面會(huì)從公式、代碼以及圖像三個(gè)方面介紹這幾種激活函數(shù)，首先來明確一下是哪四種：

• Sigmoid函數(shù)
• Tahn函數(shù)
• ReLu函數(shù)
• SoftMax函數(shù)

激活函數(shù)的作用

下面圖像A是一個(gè)線性可分問題，也就是說對(duì)于兩類點(diǎn)(藍(lán)點(diǎn)和綠點(diǎn))，你通過一條直線就可以實(shí)現(xiàn)完全分類。

當(dāng)然圖像A是最理想、也是最簡(jiǎn)單的一種二分類問題，但是現(xiàn)實(shí)中往往存在一些非常復(fù)雜的線性不可分問題，比如圖像B，你是找不到任何一條直線可以將圖像B中藍(lán)點(diǎn)和綠點(diǎn)完全分開的，你必須圈出一個(gè)封閉曲線。

而激活函數(shù)就是幫助"繪制"這個(gè)封閉曲線的非線性函數(shù)，有了激活函數(shù)的幫助，很多算法的處理能力會(huì)得到加強(qiáng)，也可以處理線性不可分問題。

Sigmoid函數(shù)

Sigmoid函數(shù)曾在介紹邏輯回歸時(shí)提起過，它的數(shù)學(xué)表達(dá)式為：

其中 e 為納皮爾常數(shù)，其值為2.7182... 它的圖像如下：

可以觀察出圖像的一些特點(diǎn)：

• 曲線的值域?yàn)?0,1)
• 當(dāng)x = 0時(shí)，Sigmoid函數(shù)值為0.5
• 隨著 x 不斷增大，Sigmoid函數(shù)值無限趨近于1
• 隨著 x 不斷減小，Sigmoid函數(shù)值無限趨近于0

對(duì)于梯度下降法而言，信息的更新很大程度上都取決于梯度，而Sigmoid函數(shù)一個(gè)很明顯的缺點(diǎn)就是當(dāng)函數(shù)值特別靠近0或1這兩端時(shí)，因?yàn)樗那€已經(jīng)近乎平緩，所以此時(shí)的梯度幾乎為0，這樣非常不利于權(quán)重的更新，從而就會(huì)導(dǎo)致模型不收斂。

Sigmoid函數(shù)的代碼如下：

import numpy as np
def tanh(x):
 return (exp(x)-exp(-x))/(exp(x)+exp(-x))

Tanh函數(shù)

Tanh函數(shù)是雙曲正切函數(shù)，它的的數(shù)學(xué)表達(dá)式為：

Tanh函數(shù)和Sigmoid函數(shù)非常相近，這點(diǎn)從圖像上可以很好的體現(xiàn)：

這兩個(gè)函數(shù)相同的是，當(dāng)輸入的 x 值很大或者很小時(shí)，對(duì)應(yīng)函數(shù)輸出的 y 值近乎相等，同樣的缺點(diǎn)也是梯度特別小，非常不利于權(quán)重的更新；不同的是Tanh函數(shù)的值域?yàn)?-1,1)，并且當(dāng) x = 0 時(shí)，輸出的函數(shù)值為0。

Tanh函數(shù)的代碼如下：

import numpy as np
def tanh(x):
 return (exp(x)-exp(-x))/(exp(x)+exp(-x))

ReLu函數(shù)

ReLu是線性整流函數(shù)，又稱為修正性線性單元，它的函數(shù)的數(shù)學(xué)表達(dá)式為

Tanh是一個(gè)分段函數(shù)，它的圖像如下：

圖像很容易理解，若輸入的 x 值小于0，則輸出為也為0；若輸入的 x 值大于0，則直接輸出 x 值，需要注意的是ReLu函數(shù)在x = 0 處不連續(xù)(不可導(dǎo))，但同樣也可以作為激活函數(shù)。

與Sigmoid函數(shù)和Tanh函數(shù)相比，ReLu函數(shù)一個(gè)很明顯的優(yōu)點(diǎn)就是在應(yīng)用梯度下降法是收斂較快，當(dāng)輸入值為整數(shù)時(shí)，不會(huì)出現(xiàn)梯度飽和的問題，因?yàn)榇笥?的部分是一個(gè)線性關(guān)系，這個(gè)優(yōu)點(diǎn)讓ReLu成為目前應(yīng)用較廣的激活函數(shù)。

ReLu函數(shù)的代碼如下：

import numpy as np
def relu(x):
 return np.maximum(0,x)

SoftMax函數(shù)

分類問題可以分為二分類問題和多分類問題，Sigmoid函數(shù)比較適合二分類問題，而SoftMax函數(shù)更加適合多分類問題。
SoftMax函數(shù)的數(shù)學(xué)表達(dá)式為：

其中Vi表示分類器的輸出，i表示類別索引，總的類別個(gè)數(shù)為C，Si表示當(dāng)前元素的指數(shù)與所有元素指數(shù)和的比值。概括來說，SoftMax函數(shù)將多分類的輸出值按比例轉(zhuǎn)化為相對(duì)概率，使輸出更容易理解和比較。

為了防止SoftMax函數(shù)計(jì)算時(shí)出現(xiàn)上溢出或者下溢出的問題，通常會(huì)提前對(duì) V 做一些數(shù)值處理，即每個(gè) V 減去 V 中的最大值，假設(shè)D=max(V)，SoftMax函數(shù)數(shù)學(xué)表達(dá)式更改為：

因?yàn)镾oftMax函數(shù)計(jì)算的是概率，所以無法用圖像進(jìn)行展示，SoftMax函數(shù)的代碼如下：

import numpy as np
def softmax(x):
 D = np.max(x)
 exp_x = np.exp(x-D)
 return exp_x / np.sum(exp_x)

以上就是python 深度學(xué)習(xí)中的4種激活函數(shù)的詳細(xì)內(nèi)容，更多關(guān)于python 激活函數(shù)的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！

最新評(píng)論