前言

激活函數(shù)在機器學習中常常用在神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點與神經(jīng)網(wǎng)絡(luò)的輸出層節(jié)點上，激活函數(shù)的作用是賦予神經(jīng)網(wǎng)絡(luò)更多的非線性因素，如果不用激勵函數(shù)，輸出都是輸入的線性組合，這種情況與最原始的感知機相當，網(wǎng)絡(luò)的逼近能力相當有限。如果能夠引入恰當?shù)姆蔷€性函數(shù)作為激活函數(shù)，這樣神經(jīng)網(wǎng)絡(luò)逼近能力就能夠更加強大。

哦豁，激活函數(shù)那么厲害，那常見的激活函數(shù)有什么呢？感覺還挺多的。

常見的激活函數(shù)種類及其圖像

1 sigmoid(logsig)函數(shù)

特點：sigmoid函數(shù)函數(shù)在不同的地方表達方式不同，常用的名稱就是sigmoid和logsig，它能夠把輸入的連續(xù)實值變換為0和1之間的輸出，如果輸入是特別大的負數(shù)，則輸出為0，如果輸入是特別大的正數(shù)，則輸出為1。

缺點：

• 在深度神經(jīng)網(wǎng)絡(luò)中，容易導(dǎo)致梯度爆炸和梯度消失；
• 冪函數(shù)運算較慢；
• 不是0均值。

其計算公式為：

其圖像如下所示。

2 tanh函數(shù)

特點：它能夠把輸入的連續(xù)實值變換為-1和1之間的輸出，如果輸入是特別大的負數(shù)，則輸出為-1，如果輸入是特別大的正數(shù)，則輸出為1；

解決了Sigmoid函數(shù)的不是0均值的問題。

缺點：梯度消失的問題和冪運算的問題仍然存在。

其計算公式為：

其圖像如下所示。

3 relu函數(shù)

特點：解決了梯度消失的問題；計算速度非?？欤恍枰袛噍斎胧欠翊笥?；

收斂速度遠快于sigmoid和tanh兩個函數(shù)。

缺點：不是0均值。

其計算公式為：

其圖像如下所示

4 softplus函數(shù)

特點：softplus函數(shù)相當于平滑版的relu函數(shù)。

缺點：不是0均值。

其計算公式為：

其圖像如下所示（與relu函數(shù)對比）。

tensorflow中損失函數(shù)的表達

1 sigmoid(logsig)函數(shù)

tf.nn.sigmoid(x, name=None)

2 tanh函數(shù)

tf.nn.tanh(x, name=None)

3 relu函數(shù)

tf.nn.relu(features, name=None)
tf.nn.relu6(features, name=None)
#relu6相對于普通relu更容易學習到稀疏特征。

4 softplus函數(shù)

tf.nn.softplus(features, name=None)

以上就是python人工智能tensorflow常用激活函數(shù)Activation Functions的詳細內(nèi)容，更多關(guān)于tensorflow激活函數(shù)的資料請關(guān)注腳本之家其它相關(guān)文章！