深度学习案例教程 课件3.3激活函数的含义.pptx

第二节激活函数的含义

激活函数Sigmoid函数神经网络中经常使用的一个激活函数就是如图表示的sigmoid函数(sigmoidfunction)。图中的exp(?x)表示??x的意思。e是纳皮尔常数2.7182…。该式子表示的的sigmoid函数看上去有些复杂，但它也仅仅是个函数而已。而函数就是给定某个输入后，会返回某个输出的转换器。神经网络中用sigmoid函数作为激活函数，进行信号的转换，转换后的信号被传送给下一个神经元。

激活函数ReLU函数在神经网络发展的历史上，sigmoid函数很早就开始被使用了，而最近则主要使用ReLU (RectifiedLinearUnit)函数。

激活函数ReLU函数ReLU（RectifiedLinearUnit）是一种常用的神经网络激活函数，具有以下优点计算速度快：ReLU函数的计算非常简单，只需要判断输入是否大于0，因此计算速度非常快。收敛速度快：ReLU函数在非负区间内斜率为1，因此当输入大于0时，梯度不会变得特别小，这有助于避免梯度消失问题，提高网络的训练速度和稳定性。非线性：ReLU函数在输入大于0时是线性的，在输入小于等于0时是非线性的，因此可以帮助神经网络学习非线性的特征。

激活函数Tanh函数Tanh函数

激活函数Tanh函数优点：有助于减缓梯度的消失问题，提高模型的训练效果。缺点：它的输出范围为[-1,1]，因此需要对输入数据进行归一化，避免输出值过大或过小。

激活函数Softmax函数Softmax是常用且重要的一种归一化函数，其将输入值映射为0-1之间的概率实数，常用于多分类。

激活函数Softmax函数Softmax函数的优点包括：1.输出结果可解释性强，可以表示不同类别的概率分布。2.可以使用交叉熵损失函数来训练分类模型，简化模型训练过程。3.Softmax函数具有平移不变性，即在输入向量的每个元素上加上或减去一个常数，Softmax函数的输出不会改变。