乐趣区

深度学习常见激活函数介绍及代码实现

作用
深度神经网络引入非线性单元,使训练问题不再是一个凸优化问题,虽然我们很难得到最优解,但是可以通过梯度下降去寻找局部最小值。
增强模型的拟合能力,理论上只要有足够的神经元,一层隐藏层就可以表达任意函数。
性质

可微(多元函数):函数可微保证使用梯度下降优化的可计算性。
单调性:保证梯度方向相对稳定。
输出值范围:当输出有限,由于特征表示受有限权值影响,基于梯度的优化方法会更加稳定;当输出无限,特征表示不受影响,但由于高梯度需要小学习率。
非饱和性:

当激活函数满足如下要求,称为右饱和:当激活函数满足如下要求,称为左饱和:激活函数饱和会造成梯度值接近 0,导致梯度消失使模型无法收敛。
sigmoid
sigmoid 函数,导函数图像:

sigmoid 激活函数具有“连续可微”,“单调性”,“输出值有限”。通过查看导函数图像,sigmoid 激活函数最大的问题就是两端饱和,造成梯度消失(解决办法:使用 relu 激活函数,BN 等),此外输出不以 0 中心(以 0 中心的好处是可以加快模型收敛)。目前 sigmoid 激活函数多使用在二分类问题(对于大于二分类问题,如果类别之间存在相互关系使用 sigmoid,反之使用 softmax),门控机制的判断等。
import tensorflow as tf
tf.enable_eager_execution()

sigmoid_test=tf.nn.sigmoid([-3.,-2.,-1.,0.0,1.,2.,3.],name=’sigmoid_op’)

print(sigmoid_test)
输出:
tf.Tensor(
[0.04742587 0.11920292 0.26894143 0.5 0.7310586 0.880797
0.95257413], shape=(7,), dtype=float32)
tanh
tanh 函数,导函数图像:

tanh 激活函数输出区间[-1,1],输出值以 0 为中心,与 sigmoid 激活函数相比具有更大的梯度值,再加上输出值以 0 为中心,模型收敛更快。不过它依然存在两端饱和,梯度消失问题还是存在,tanh 激活函数在 RNN 模型中应用较多。
import tensorflow as tf
tf.enable_eager_execution()

tanh_test=tf.nn.tanh([-3.,-2.,-1.,0.0,1.,2.,3.],name=’tanh_op’)

print(tanh_test)
输出:
tf.Tensor(
[-0.9950547 -0.9640276 -0.7615942 0. 0.7615942 0.9640276
0.9950547], shape=(7,), dtype=float32)
relu
relu 函数,导函数图像:

relu 与线性单元的区别是在其一半的定义域上输出为 0,这使得它易于优化,计算。通过图像可得,relu 激活函数的梯度不仅大,而且一致,更重要的是它没有 sigmoid,tanh 激活函数的饱和性,有效缓解了梯度消失问题。目前,relu 激活函数是神经网络隐藏层的首选。但是,它最大的问题是当输入小于 0 时,输出值为 0,此时神经元将无法学习。
import tensorflow as tf
tf.enable_eager_execution()

relu_test=tf.nn.relu([-3.,-2.,-1.,0.0,1.,2.,3.],name=’relu_op’)
tf.nn.relu
print(relu_test)
输出:
tf.Tensor([0. 0. 0. 0. 1. 2. 3.], shape=(7,), dtype=float32)
leakyrelu
leakyrelu 函数,导函数图像:

leakyrelu 激活函数是 relu 的衍变版本,主要就是为了解决 relu 输出为 0 的问题。如图所示,在输入小于 0 时,虽然输出值很小但是值不为 0。leakyrelu 激活函数一个缺点就是它有些近似线性,导致在复杂分类中效果不好。
import tensorflow as tf
tf.enable_eager_execution()

# alpha: Slope of the activation function at x < 0
leaky_relu_test=tf.nn.leaky_relu([-3.,-2.,-1.,0.0,1.,2.,3.],alpha=0.2,name=’leaky_relu_op’)
print(leaky_relu_test)
输出:
tf.Tensor([-0.6 -0.4 -0.2 0. 1. 2. 3.], shape=(7,), dtype=float32)
elu
elu 函数,导函数图像:

elu 和 relu 的区别在负区间,relu 输出为 0,而 elu 输出会逐渐接近 -α,更具鲁棒性。elu 激活函数另一优点是它将输出值的均值控制为 0(这一点确实和 BN 很像,BN 将分布控制到均值为 0,标准差为 1)。
import tensorflow as tf
tf.enable_eager_execution()

elu_relu_test=tf.nn.elu([-10000,-100.,-3.,-2.,-1.,0.0,1.,2.,3.],name=’elu_relu_op’)
print(elu_relu_test)
输出:
tf.Tensor(
[-1. -1. -0.95021296 -0.86466473 -0.63212055 0.
1. 2. 3. ], shape=(9,), dtype=float32)
softmax
softmax 单元常作为网络的输出层,它很自然地表示了具有 k 个可能值的离散型随机变量的概率分布。

softmax 将向量等比例压缩到 [0,1] 之间,且保证所有元素之和为 1。
import tensorflow as tf
tf.enable_eager_execution()

softmax_test=tf.nn.softmax([-3.,-2.,-1.,0.0,1.,2.,3.],name=’softmax_op’)
print(softmax_test)
softmax_test_sum=tf.reduce_sum(softmax_test)
print(softmax_test_sum)
输出:
tf.Tensor(
[0.0015683 0.00426308 0.01158826 0.03150015 0.0856263 0.23275642
0.6326975 ], shape=(7,), dtype=float32)
tf.Tensor(1.0, shape=(), dtype=float32)
总结
激活函数的选择还要根据项目实际情况,考虑不同激活函数的优缺点。

退出移动版