北京工厂网站建设,wordpress jenn 主题,网站底部信息,简述企业网站建设的目的文章目录 常见的激活函数介绍Sigmoid函数ReLU函数LeakyReLU函数Tanh函数Softmax函数总结 常见的激活函数介绍
激活函数是神经网络中的重要组成部分#xff0c;它决定了神经元的输出。在神经网络的前向传播中#xff0c;输入数据被传递给神经元#xff0c;经过加权和和激活函… 文章目录 常见的激活函数介绍Sigmoid函数ReLU函数LeakyReLU函数Tanh函数Softmax函数总结 常见的激活函数介绍
激活函数是神经网络中的重要组成部分它决定了神经元的输出。在神经网络的前向传播中输入数据被传递给神经元经过加权和和激活函数的计算后得到神经元的输出。
本文将介绍几种常见的激活函数它们的定义、特点和应用场景。
Sigmoid函数
Sigmoid函数是一种常用的激活函数它将输入映射到一个介于0和1之间的值。它的公式如下 f ( x ) 1 1 e − x f(x) \frac{1}{1e^{-x}} f(x)1e−x1
Sigmoid函数具有平滑且连续的输出这使得它在某些情况下非常有用。例如它常被用于二分类问题中因为它的输出可以被解释为“概率”。
但是Sigmoid函数在输入较大或较小的情况下输出会非常接近于0或1这会导致梯度消失的问题。因此在深度神经网络中Sigmoid函数不太常用。
ReLU函数
ReLU函数是一种非常简单和有效的激活函数。它的公式如下 f ( x ) max ( 0 , x ) f(x) \max(0,x) f(x)max(0,x) ReLU函数的输出为正数负数则为0。这使得它在解决梯度消失的问题上非常有效同时也能够加速模型的训练速度。
ReLU函数在许多深度神经网络中广泛应用但它也有一些问题。例如当输入为负数时梯度为0这被称为“死亡ReLU”问题。此外在某些情况下ReLU函数可能导致“梯度爆炸”问题。
LeakyReLU函数
LeakyReLU函数是对ReLU函数的一种改进。它的公式如下 f ( x ) { x if x 0 a x otherwise f(x) \begin{cases} x \text{if } x 0 \\ ax \text{otherwise} \end{cases} f(x){xaxif x0otherwise 其中 a a a是一个小的常数通常为0.01。LeakyReLU函数在输入为负数时不会完全变为0而是将输入乘以一个小的常数。这使得LeakyReLU函数能够在解决“死亡ReLU”问题的同时保持ReLU函数的优点。
Tanh函数
Tanh函数是另一种常见的激活函数它将输入映射到一个介于-1和1之间的值。它的公式如下 f ( x ) e x − e − x e x e − x f(x) \frac{e^x - e^{-x}}{e^x e^{-x}} f(x)exe−xex−e−x Tanh函数与Sigmoid函数类似但它的输出范围是[-1,1]。Tanh函数在某些情况下比Sigmoid函数更好因为它的输出可以被解释为正负的概率。但是Tanh函数也有梯度消失的问题类似于Sigmoid函数。
Softmax函数
Softmax函数是一种用于多分类问题的激活函数。它将输入映射到一个概率分布上使得所有输出值之和为1。Softmax函数的公式如下 f ( x i ) e x i ∑ j 1 k e x j f(x_i) \frac{e^{x_i}}{\sum_{j1}^k e^{x_j}} f(xi)∑j1kexjexi 其中 k k k是输出的类别数。 Softmax函数常被用于多分类问题中因为它可以将神经网络的输出解释为每个类别的概率。
# 示例代码
import numpy as np
import matplotlib.pyplot as pltdef softmax(x):exp_x np.exp(x)return exp_x / np.sum(exp_x)x np.array([1, 2, 3, 4, 5])
y softmax(x)print(y)# 输出如下
[0.01165623 0.03168492 0.08612854 0.23412166 0.63640864]总结
本文介绍了几种常见的激活函数它们分别是Sigmoid函数、ReLU函数、LeakyReLU函数、Tanh函数和Softmax函数。每种激活函数都有其独特的特点和应用场景选择合适的激活函数可以提高神经网络的性能。
