Tensorflow2.0笔记09——激活函数

Tensorflow2.0笔记

本博客为Tensorflow2.0学习笔记，感谢北京大学微电子学院曹建老师

目录

• Tensorflow2.0笔记
  • 3. 激活函数
    • 3.1 sigmoid
    • 3.2 tanh
    • 3.3 ReLU
    • 3.4 Leaky ReLU
    • 3.5 softmax
    • 3.6 建议

3. 激活函数

激活函数是用来加入非线性因素的，因为线性模型的表达能力不够。引入非线性激活函数，可使深 层神经网络的表达能力更加强大。

优秀的激活函数应满足：

​ 非线性： 激活函数非线性时，多层神经网络可逼近所有函数

​ 可微性： 优化器大多用梯度下降更新参数

​ 单调性： 当激活函数是单调的，能保证单层网络的损失函数是凸函数

​ 近似恒等性：f(x) ≈x 。当参数初始化为随机小值时，神经网络更稳定激活函数输出值的范围：

​ 激活函数输出为有限值时，基于梯度的优化方法更稳定激活函数输出为无限值时，建议调小学习率

​ 常见的激活函数有：sigmoid，tanh，ReLU，Leaky ReLU，PReLU，RReLU，ELU（Exponential Linear Units），softplus，softsign，softmax等，下面介绍几个典型的激活函数：

3.1 sigmoid

TensorFlow API: tf.math.sigmoid

优点：

​ 1. 输出映射在(0,1)之间，单调连续，输出范围有限，优化稳定，可用作输出层；

2. 求导容易。

缺点：

1. 易造成梯度消失；

2. 输出非0均值，收敛慢；

3. 幂运算复杂，训练时间长。

​ sigmoid函数可应用在训练过程中。然而，当处理分类问题作出输出时，sigmoid却无能为力。简 单地说，sigmoid函数只能处理两个类，不适用于多分类问题。而softmax可以有效解决这个问题，并 且softmax函数大都运用在神经网路中的最后一层网络中，使得值得区间在（0,1）之间，而不是二分类 的。

3.2 tanh

TensorFlow API:tf.math.tanh

优点：

​ 1.比sigmoid函数收敛速度更快。

​ 2.相比sigmoid函数，其输出以0为中心。

缺点：

​ 1.易造成梯度消失；

​ 2.幂运算复杂，训练时间长。

3.3 ReLU

TensorFlow API: tf.nn.relu

优点：

1. 解决了梯度消失问题(在正区间)；

2. 只需判断输入是否大于0，计算速度快；

3. 收敛速度远快于sigmoid和tanh，因为sigmoid和tanh涉及很多expensive的操作；

4. 提供了神经网络的稀疏表达能力。

缺点：

1. 输出非0均值，收敛慢；

2. Dead ReLU问题：某些神经元可能永远不会被激活，导致相应的参数永远不能被更新。

3.4 Leaky ReLU

​ TensorFlow API: tf.nn.leaky_relu

​ 理论上来讲，Leaky ReLU有ReLU的所有优点，外加不会有Dead ReLU问题，但是在实际操作当中，并没有完全证明Leaky ReLU总是好于ReLU。

3.5 softmax

TensorFlow API: tf.nn.softmax

​ 对神经网络全连接层输出进行变换，使其服从概率分布，即每个值都位于[0,1]区间且和为1。

3.6 建议

对于初学者的建议：

1. 首选ReLU激活函数；

2. 学习率设置较小值；

3. 输入特征标准化，即让输入特征满足以0为均值，1为标准差的正态分布；

4. 初始化问题：初始参数中心化，即让随机生成的参数满足以0为均值， 为标准差的正态分布。