[转] RNN 中为什么要采用 tanh，而不是 ReLU 作为激活函数？

 

为什么CNN用ReLU

Sigmoid的导数范围在内，如果采用Sigmoid作为激活函数，多个小于1的导数连续相乘容易引起梯度消失。

tanh的导数范围在内，虽然导数可以达到1，但是在边缘区域仍然有梯度消失的问题。

ReLU的正半轴不存在梯度消失问题，负半轴的存在可以带来一定的稀疏性，但是也会带来梯度消失问题，可以用LeakyReLU和PReLU等方法缓解。此外，ReLU的计算量远远小于Sigmoid和tanh。

为什么RNN用tanh

在LSTM和GRU中，内部的各种门多采用sigmoid激活函数，因为需要确定“0-1”的各种状态；而隐状态的激活函数多采用tanh。

RNN的每个时间步的权重是相同的，bp过程相当于权重的连续相乘，因此比CNN更容易出现梯度消失和梯度爆炸，因此采用tanh比较多。tanh也会出现梯度消失和梯度爆炸，但是相比于Sigmoid好很多了。理论上ReLU+梯度裁切也可以。

 

作者：何之源
链接：https://www.zhihu.com/question/61265076/answer/186347780
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

来尝试回答下。其实题主的问题可以拆分成下面两个部分：

• 为什么在CNN等结构中将原先的sigmoid、tanh换成ReLU可以取得比较好的效果？
• 为什么在RNN中，将tanh换成ReLU不能取得类似的效果？

先来简单讨论下第一个问题。设输入数据为 ，对 的卷积操作就可以看做是 （如果不理解为什么，可以参考这个答案的前半部分：如何理解深度学习中的deconvolution networks？）。我们设第一层卷积的参数为 ，第二层卷积的参数是 ，依次类推。又设激活函数为 ，每一层卷积在经过激活函数前的值为 ，经过激活函数后的值为 。

按照上面的表示，在CNN中，输入 ，第一层的输出就是 ，第二层的输出就是 ，第三层的输出就是 。设最终损失为 ，我们来尝试从第三层开始，用BP算法推导一下损失对参数 的偏导数，看看会发生什么。

为了简洁起见，略过求导过程，最后的结果为 。我们常常说原始神经网络的梯度消失问题，这里的 、 就是梯度消失的“罪魁祸首”。例如sigmoid的函数，它的导数的取值范围是(0, 0.25]，也就是说对于导数中的每一个元素，我们都有 ， ，小于1的数乘在一起，必然是越乘越小的。这才仅仅是3层，如果10层的话， 根据 ，第10层的误差相对第一层卷积的参数 的梯度将是一个非常小的值，这就是所谓的“梯度消失”。

ReLU函数的改进就是它使得 ， ， ，这样的话只要一条路径上的导数都是1，无论神经网络是多少层，这一部分的乘积都始终为1，因此深层的梯度也可以传递到浅层中。

那为什么同样的方法在RNN中不奏效呢？其实这一点Hinton在它的IRNN论文里面（arxiv：[1504.00941] A Simple Way to Initialize Recurrent Networks of Rectified Linear Units）是很明确的提到的：

也就是说在RNN中直接把激活函数换成ReLU会导致非常大的输出值。为了讲清楚这一点，我们先用同上面相似的符号把原始的RNN表示出来：

，

在这个表示中，RNN每个阶段的输入是 ，和CNN每一层使用独立的参数 不同，原始的RNN在每个阶段都共享一个参数 。如果我们假设从某一层开始输入 和偏置 都为0，那么最后得到的输出就是 ，这在某种程度上相当于对参数矩阵 作连乘，很显然，只要 有一个大于1的特征值，在经过若干次连乘后都会导致结果是一个数值非常庞大的矩阵。

另外一方面，将激活函数换成ReLU也不能解决梯度在长程上传递的问题。同样考虑 对 的导数。在CNN中，每一层的参数 是互相独立的，然而RNN中 参与了每个时间段的运算，因此 对 导数更复杂，写出来是 。我们可以看下最后 这部分，使用ReLU后，当梯度可以传递时，有 ，但这个式子中还是会有两个 的连乘。在更长程上，就会有更多 的连乘。对于CNN来说，这个部分是 进行连乘，一方面它们都是稀疏矩阵，另一方面 互不相同，很大程度上都能抵消掉梯度爆炸的影响。

最后，IRNN在RNN上使用了ReLU，取得了比较好的结果，其中的原因在于，它对 和 取了比较特殊的初值： , 。这样在梯度的式子 中W尽管会连乘，但是会类似于单位矩阵 的连乘，不会引起太明显的梯度数值变化。另外一方面，也不会引起非常大的输出值（这点可以自行带入表达式验证）。

以上，如果有哪里说的不对的，还烦请各位大佬批评指正。