8个深度学习中常用的激活函数

人工智能 深度学习
当在隐藏层和输出层中实现时,激活函数的选择非常关键。模型的准确性和损失很大程度上依赖于激活函数。此外,必须根据您对模型的期望来选择它们。例如,在二值分类问题中,sigmoid函数是一种最优选择。

 

激活函数,又称转换函数,是设计神经网络的关键。激活函数在某种意义上是重要的,因为它被用来确定神经网络的输出。它将结果值映射为0到1或-1到1等(取决于函数)。激活函数还有另一个名称,称为Squashing函数,当限制了激活函数的范围时使用这个名称。激活函数应用于神经网络的每个节点,并决定该神经元是否应该被“触发”/“激活”。

为什么选择激活函数是非常重要的。

当在隐藏层和输出层中实现时,激活函数的选择非常关键。模型的准确性和损失很大程度上依赖于激活函数。此外,必须根据您对模型的期望来选择它们。例如,在二值分类问题中,sigmoid函数是一种最优选择。

激活函数类型。大致可分为两类:

线性激活函数。

非线性激活函数。

为了方便展示我们导入如下库:

  1. import math as m  
  2. import matplotlib.pyplot as plt  
  3. import numpy as np  
  4. import tensorflow as tf  
  5. from tensorflow import keras  
  6. from tensorflow.keras import layers  

 

Sigmoid

sigmoid激活函数也称为logistic函数。Sigmoid函数在回归分类问题中非常流行。sigmoid函数给出的值的范围是0和1。

  1. def sigmoid(x):  
  2. return 1 / (1 + m.exp(-x))values_of_sigmoid = []  
  3. values_of_x = []  
  4. for i in range(-500,500,1):  
  5. i = i*0.01  
  6. values_of_x.append(i)  
  7. values_of_sigmoid.append(sigmoid(i))plt.plot( values_of_x ,values_of_sigmoid)  
  8. plt.xlabel("values of x")  
  9. plt.ylabel("value of sigmoid")  

 

 

8个深度学习中常用的激活函数

 

tanH

这个函数非常类似于sigmoid激活函数。这个函数在-1到1的范围内接受任何实值作为输入和输出值。输入越大(越正),输出值越接近1.0,而输入越小(越负),输出越接近-1.0。Tanh激活函数计算如下。

  1. def tanh(x):  
  2. return (m.exp(x) - m.exp(-x)) / (m.exp(x) + m.exp(-x))values_of_tanh = []  
  3. values_of_x = []  
  4. for i in range(-500,500,1):  
  5. i = i*0.001  
  6. values_of_x.append(i)  
  7. values_of_tanh.append(tanh(i))plt.plot( values_of_x ,values_of_tanh)  
  8. plt.xlabel("values of x")  
  9. plt.ylabel("value of tanh")  

 

 

8个深度学习中常用的激活函数

 

Softmax

Softmax激活函数输出一个和为1.0的值向量,可以解释为类隶属度的概率。Softmax是argmax函数的“软”版本,它允许一个“赢家通吃”函数的似然输出。

  1. def softmax(x):  
  2. e_x = np.exp(x - np.max(x))  
  3. return e_x / e_x.sum()values_of_x = [i*0.01 for i in range(-500,500)]  
  4. plt.plot(scores ,softmax(values_of_x))  
  5. plt.xlabel("values of x")  
  6. plt.ylabel("value of softmax")  

 

 

8个深度学习中常用的激活函数

 

RELU 线性整流单元

ReLU可能是用于隐藏层的最常见的函数。它还可以有效地克服其他以前流行的激活函数(如Sigmoid和Tanh)的限制。具体来说,它不太容易受到阻止深度模型被训练的梯度下降消失问题的影响,尽管它可能会遇到诸如饱和单元等其他问题。

  1. def ReLU(x):  
  2. return max(0,x)values_of_relu = []  
  3. values_of_x = []  
  4. for i in range(-500,500,1):  
  5. i = i*0.01  
  6. values_of_x.append(i)  
  7. values_of_relu.append(ReLU(i))plt.plot(values_of_x,values_of_relu)  

 

 

8个深度学习中常用的激活函数

 

Leaky ReLU

ReLU的问题:当给ReLU一个负值时,它立即变成零,这降低了模型合适地拟合或从数据训练的能力。这意味着ReLU激活函数的任何负输入都会在图中立即将该值转换为零,这反过来又会通过不适当地映射负值而影响结果图。

为了克服这个问题,Leaky ReLU被引入。

  1. def leaky_ReLU(x):  
  2. return max(0.1*x,x)values_of_L_relu = []  
  3. values_of_x = []  
  4. for i in range(-500,500,1):  
  5. i = i*0.01  
  6. values_of_x.append(i)  
  7. values_of_L_relu.append(leaky_ReLU(i))plt.plot(values_of_x,values_of_L_relu)  

 

 

8个深度学习中常用的激活函数

 

下面几个函数都是RELU的变体基本上都是与Leaky 类似优化了激活函数负值时的返回

ELU

  1. activation_elu = layers.Activation(‘elu’)x = tf.linspace(-3.0, 3.0, 100)  
  2. y = activation_elu(x) # once created, a layer is callable just like a functionplt.figure(dpi=100)  
  3. plt.plot(x, y)  
  4. plt.xlim(-3, 3)  
  5. plt.xlabel(“Input”)  
  6. plt.ylabel(“Output”)  
  7. plt.show()  

 

 

8个深度学习中常用的激活函数

 

SELU

  1. activation_selu = layers.Activation('selu')x = tf.linspace(-3.0, 3.0, 100)  
  2. y = activation_selu(x) # once created, a layer is callable just like a functionplt.figure(dpi=100)  
  3. plt.plot(x, y)  
  4. plt.xlim(-3, 3)  
  5. plt.xlabel("Input")  
  6. plt.ylabel("Output")  
  7. plt.show()  

 

 

8个深度学习中常用的激活函数

 

Swish

  1. activation_swish = layers.Activation(‘swish’)x = tf.linspace(-3.0, 3.0, 100)  
  2. y = activation_swish(x) # once created, a layer is callable just like a functionplt.figure(dpi=100)  
  3. plt.plot(x, y)  
  4. plt.xlim(-3, 3)  
  5. plt.xlabel(“Input”)  
  6. plt.ylabel(“Output”)  
  7. plt.show()  

 

 

8个深度学习中常用的激活函数

 

总结

常用于隐藏层激活函数:

一般递归神经网络使用Tanh或sigmoid激活函数,甚至两者都使用。例如,LSTM通常对循环连接使用Sigmoid激活,对输出使用Tanh激活。

1.多层感知器(MLP): ReLU激活函数。

2.卷积神经网络(CNN): ReLU激活函数。

3.递归神经网络:Tanh和/或Sigmoid激活函数。

如果你不确定使用哪个激活函数,你肯定可以尝试不同的组合,并寻找最适合的,但是可以从RELU开始

输出层激活功能:

输出层激活函数必须根据你要解决的问题类型来选择。例如,如果你有一个线性回归问题,那么线性激活函数将是有用的。下面是您可能面临的一些常见问题和使用的激活函数。

二进制分类:一个节点,sigmoid激活。

多类分类:每个类一个节点,softmax激活。

多标签分类:每个类一个节点,sigmoid激活。

以下是一些常用激活函数的公式和可视化显示,希望对你有帮助

 

8个深度学习中常用的激活函数

 

责任编辑:华轩 来源: 今日头条
相关推荐

2024-07-11 11:07:41

2022-08-05 13:51:32

Python函数lambda

2022-04-17 23:09:07

深度学习人工智能芯片

2019-12-11 13:24:57

深度学习数据结构软件

2022-09-26 00:00:00

神经网络激活函数sigmoid

2018-09-13 22:56:15

机器学习损失函数深度学习

2017-11-20 05:08:16

深度学习激活函数神经网络

2023-03-30 08:00:56

MySQL日期函数

2022-10-17 15:43:14

深度学习回归模型函数

2020-05-13 21:09:10

JavaScript前端技术

2010-04-01 09:46:04

Oracle日期函数

2022-04-14 09:30:22

深度学习激活函数人工神经

2018-09-18 10:55:24

人工智能机器学习深度学习

2022-04-25 14:27:05

Pandas函数数据

2022-10-28 15:19:28

机器学习距离度量数据集

2023-04-11 08:49:42

排序函数SQL

2023-12-27 14:17:11

深度学习人工智能激活函数

2022-06-30 08:31:54

排序函数SQL

2010-03-22 10:27:28

Python常用模块I

2023-03-15 17:37:26

Java8ListMap
点赞
收藏

51CTO技术栈公众号