sheng的学习笔记-AI基础-激活函数

ai目录：sheng的学习笔记-AI目录-CSDN博客

目录

Sigmoid

Tanh 函数

ReLU（Rectified Linear Unit）函数 

Leaky ReLU

ELU（Exponential Linear Unit）

SEIU

Swish

激活函数的选择

激活函数（Activation Function） 是神经网络中的一个关键组件，负责将输入的线性组合转化为非线性输出。它赋予神经网络模型以复杂的表达能力，使其能够处理非线性问题，比如分类、图像识别和自然语言处理等任务。

Sigmoid

Sigmoid 函数是深度学习中最早广泛使用的激活函数之一，它将输入值映射到 ( 0 , 1 )  的区间，输出为一个概率值。其公式为：

特点：输出值在 0 00 到 1 11 之间，因此常用于二分类问题。
缺点：梯度消失问题，在输入值较大或较小时，Sigmoid 函数的梯度（导数）接近零，这会导致反向传播过程中梯度逐渐减小（消失），影响权重的更新，特别是在深层网络中。
图示：

Tanh 函数

Tanh（双曲正切函数）是 Sigmoid 的扩展版本，输出范围为 ( − 1 , 1 ) ，可以解决 Sigmoid 在输出上的偏移问题。其公式为

特点：输出范围为 ( − 1 , 1 ) (-1, 1)(−1,1)，相比 Sigmoid 更加居中，能够减少偏移（mean shift）问题。
缺点：同样存在梯度消失问题，在输入值非常大或非常小时，Tanh 的梯度依然会变得很小。
图示：

ReLU（Rectified Linear Unit）函数 

ReLU 是目前使用最为广泛的激活函数之一。ReLU 函数的输出在正数区域保持线性，在负数区域则为 0。其公式为：

特点：当输入大于 0 时，ReLU 直接输出输入值；当输入小于 0 时，输出为 0。
优点：
解决梯度消失问题：ReLU 的梯度为 1（当 x > 0 x > 0x>0 时），不会像 Sigmoid 和 Tanh 那样使梯度变小，从而有效缓解梯度消失问题。
计算效率高：ReLU 计算非常简单，只需要一个最大值操作，非常适合在深层网络中使用。
缺点：死亡 ReLU 问题，当输入的值小于 0 时，ReLU 的输出一直为 0，这意味着神经元可能会永远不再激活，这在某些情况下会导致网络性能下降。

Leaky ReLU

Leaky ReLU 是对 ReLU 的一种改进，解决了 ReLU 在负数区域输出为 0 时神经元“死亡”的问题。Leaky ReLU 在负数区域给予一个很小的正数斜率 α （通常为 0.01）而不是完全为 0，其公式为：

优点：在负数区域仍然保持一个小的斜率，使得神经元不完全失活。减少了 ReLU 函数中的死亡 ReLU 问题，确保神经元即使在负值输入时也能有一定的梯度更新。

ELU（Exponential Linear Unit）

ELU 是另一种改进的 ReLU 激活函数，在负数区域使用指数函数进行平滑。其公式为：

其中 α 是一个超参数，通常取值为 1。

• 特点：在正数区域与 ReLU 类似，但在负数区域使用指数函数进行平滑，避免了死亡 ReLU 问题。
• 优点：与 Leaky ReLU 相比，ELU 在负数区域提供的平滑曲线可以在一定程度上减少偏差。
• 缺点：计算量比 ReLU 稍大，因为负数区域的计算涉及指数运算。

SEIU

是ELU激活函数的可扩展变体,如果你构建一个仅由密集层堆叠组成的神经网络，并且如果所有隐藏层都使用SELU激活函数，则该网络是自归一化的：每层的输出倾向于在训练过程中保留平均值0和标准差1，从而解决了梯度消失/梯度爆炸的问题。

SELU激活函数通常大大优于这些神经网络（尤其是深层神经网络）的其他激活函数。但是，有一些产生自归一化的条件

• ·输入特征必须是标准化的（平均值为0，标准差为1）​。
• ·每个隐藏层的权重必须使用LeCun正态初始化。在Keras中，这意味着设置kernel_initializer="lecun_normal"。·
• 网络的架构必须是顺序的。不幸的是，如果你尝试在非顺序架构（例如循环网络）中使用SELU（见第15章）或具有跳过连接的网络（即在Wide&Deep网络中跳过层的连接）​，将无法保证自归一化，因此SELU不一定会胜过其他激活函数。

Swish

Swish 是一种新的激活函数，由 Google 提出，它结合了 ReLU 和 Sigmoid 的优势。其公式为

特点：Swish 在小于 0 的输入值时逐渐趋近于 0，而在大于 0 时逐渐增大，因此它在负值区域不会像 ReLU 那样硬性截断。
优点：Swish 的非线性变化更加平滑，能够捕获更多的复杂模式，特别适合用于深度神经网络中。
缺点：计算量比 ReLU 更大，因为它涉及 Sigmoid 的计算。

激活函数的选择

神经网络中的激活函数选择取决于具体任务和网络结构。以下是一些常见的经验法则：

• ReLU 是目前最常用的激活函数，特别是在卷积神经网络（CNN）和全连接网络（FCN）中表现优异。对于大多数深度网络，ReLU 是一个很好的起点，因为它能有效避免梯度消失问题。
• Leaky ReLU 和 ELU 是 ReLU 的改进版本，适合于有负输入的场景或避免神经元失活的场景。
• Sigmoid 和 Tanh 适用于一些特殊情况，特别是在需要输出概率或对称输出的情况下（例如，输出为 [ − 1 , 1 ] [-1, 1][−1,1]）。不过它们通常会导致梯度消失，因此不推荐用于深层网络。
• Swish 是一种更平滑的激活函数，在某些复杂任务（如超深网络）上可能表现优异。

通常SELU>ELU>leaky ReLU（及其变体）>ReLU>tanh>logistic

• 如果网络的架构不能自归一化，那么ELU的性能可能会优于SELU（因为SELU在z=0时不平滑）​。
• 如果你非常关心运行时延迟，那么你可能更喜欢leaky ReLU。
• 如果你不想调整其他超参数，则可以使用Keras使用的默认α值（例如，leaky ReLU为0.3）​。

如果你有空闲时间和计算能力，则可以使用交叉验证来评估其他激活函数，例如，如果网络过拟合，则为RReLU；如果你的训练集很大，则为PReLU。也就是说，由于ReLU是迄今为止最常用的激活函数，因此许多库和硬件加速器都提供了ReLU特定的优化。因此，如果你将速度放在首位，那么ReLU可能仍然是最佳选择。

参考文章

【AI知识点】激活函数（Activation Function）-CSDN博客