您现在的位置是:首页 > 快讯

图文详解:神经网络的激活函数

2020-07-06 03:01:13

什么是神经网络激活函数?

激活函数有助于决定我们是否需要激活神经元。如果我们需要发射一个神经元那么信号的强度是多少。

激活函数是神经元通过神经网络处理和传递信息的机制

为什么在神经网络中需要一个激活函数?

图文详解:神经网络的激活函数

在神经网络中,z是输入节点与节点权值加上偏差的乘积。z的方程与线性方程非常相似,取值范围从+∞到-∞

图文详解:神经网络的激活函数

如果神经元的值可以从负无穷到正无穷变化,那么我们就无法决定是否需要激活神经元。这就是激活函数帮助我们解决问题的地方。

如果z是线性的,那么我们就不能解决复杂的问题。这是我们使用激活函数的另一个原因。

有以下不同类型的激活函数

阀值函数或阶梯激活函数

Sigmoid

Softmax

Tanh或双曲正切

ReLU

Leaky ReLU

为什么我们需要这么多不同的激活函数,我怎么决定用哪一个呢?

让我们回顾一下每一个激活函数,并了解它们的最佳使用位置和原因。这将帮助我们决定在不同的场景中使用哪个激活函数。

阀值函数或阶梯激活函数

图文详解:神经网络的激活函数

这是最简单的函数

如果z值高于阈值,则激活设置为1或yes,神经元将被激活。

如果z值低于阈值,则激活设置为0或no,神经元不会被激活。

它们对二分类很有用。】

Sigmoid激活函数

图文详解:神经网络的激活函数

Sigmoid函数是一种光滑的非线性函数,无扭结,形状类似于S形。

它预测输出的概率,因此被用于神经网络和逻辑回归的输出层。

由于概率范围在0到1之间,所以sigmoid函数值存在于0到1之间。

但是如果我们想分类更多的是或不是呢?如果我想预测多个类,比如预测晴天、雨天或阴天,该怎么办?

Softmax激活有助于多类分类

Softmax激活函数

Sigmoid激活函数用于两类或二类分类,而softmax用于多类分类,是对Sigmoid函数的一种推广。

在softmax中,我们得到了每个类的概率,它们的和应该等于1。当一个类的概率增大时,其他类的概率减小,因此概率最大的类是输出类。

例如:在预测天气时,我们可以得到输出概率,晴天为0.68,阴天为0.22,雨天为0.20。在这种情况下,我们以最大概率的输出作为最终的输出。在这种情况下我们预测明天将是晴天。

Softmax计算每个目标类的概率除以所有可能的目标类的概率。

图文详解:神经网络的激活函数

双曲正切或Tanh激活函数

图文详解:神经网络的激活函数

对于双曲tanh函数,输出以0为中心,输出范围在-1和+1之间。

看起来很像Sigmoid。实际上双曲tanh是缩放的s形函数。与Sigmoid相比,tanh的梯度下降作用更强,因此比Sigmoid更受欢迎。

tanh的优点是,负输入将被映射为强负,零输入将被映射为接近零,这在sigmoid中是不会发生的,因为sigmoid的范围在0到1之间

ReLU

图文详解:神经网络的激活函数

ReLU本质上是非线性的,这意味着它的斜率不是常数。Relu在0附近是非线性的,但斜率不是0就是1,因此具有有限的非线性。

范围是从0到∞

当z为正时,ReLU的输出与输入相同。当z为0或小于0时,输出为0。因此,当输入为0或低于0时,ReLU会关闭神经元。

所有的深度学习模型都使用Relu,但由于Relu的稀疏性,只能用于隐含层。稀疏性指的是空值或“NA”值的数量。

当隐层暴露于一定范围的输入值时,RELU函数将导致更多的零,从而导致更少的神经元被激活,这将意味着更少的神经网络交互作用。

ReLU比sigmoid或tanh更积极地打开或关闭神经元

Relu的挑战在于,负值变为零降低了模型正确训练数据的能力。为了解决这个问题,我们有Leaky ReLU

Leaky ReLU

图文详解:神经网络的激活函数

a的值通常是0.01

在Leaky ReLU中,我们引入了一个小的负斜率,所以它的斜率不是0。这有助于加快训练。

Leaky ReLU的范围从-∞到+∞