深度学习中常见的激活函数

常见激活函数

• Sigmoid激活函数
• Tanh激活函数
• Relu激活函数
• Leaky Relu激活函数
• P-Relu激活函数
• ELU激活函数
• R-Relu激活函数
• Gelu激活函数
• swich激活函数
• Selu激活函数

图片引用自：Dance Moves of Deep Learning Activation Functions

激活函数可以分为两大类 ：

• 饱和激活函数：sigmoid、tanh
• 非饱和激活函数: ReLU、Leaky Relu、ELU【指数线性单元】、PReLU【参数化的ReLU 】、RReLU【随机ReLU】

---

Sigmoid

可以将任何输入映射到0 - 1 之间，是一个阈值函数，近些年研究人员使用该函数的频率越来越低了，主要是因为：（缺点）

1. 过饱和会丢失剃度，当输入非常大或者非常小，神经元的活跃度在0和1会饱和。这些地方的梯度趋近于零，导致该神经元的参数没有变化。
2. 输出不是零均值的。影响梯度下降。

优点：

• Sigmoid 函数的输出范围是 0 到 1。由于输出值限定在 0 到 1，因此它对每个神经元的输出进行了归一化；
• 用于将预测概率作为输出的模型。由于概率的取值范围是 0 到 1，因此 Sigmoid 函数非常合适；
• 梯度平滑，避免「跳跃」的输出值；
• 函数是可微的。这意味着可以找到任意两个点的 sigmoid 曲线的斜率；
• 明确的预测，即非常接近 1 或 0
• 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；
• 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

Tanh函数

输出的值域为： -1， 1。 是零均值的。

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. 指数运算，计算速度慢。不适合嵌入式应用算法。
2. 存在梯度弥散问题。

ReLU函数

近些年流行起来的激活函数。称之为修正函数：

该函数简单设置0为阈值，输出的范围为： [0, 正无穷]。

好处：

1. 比前面二个函数有更快的收敛速度
2. 前面的函数都是指数形式的，计算复杂，ReLU函数简单的设计为线性函数，
3. 解决了梯度消失问题(在正区间)；
4. 只需判断输入是否大于0 算速度快；
5. 收敛速度远快于sigmoid和tanh，因为sigmoid和tanh涉及很多expensive的操作；
6. 提供了神经网络的稀疏表达能力

缺点：

1. 神经元十分脆弱，可能在训练中变成无用的激活函数，大梯度经过ReLU可能会导致权值更新错误。
2. 输出非0均值，收敛慢；

Leaky ReLU

tensorflower api

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。

PReLU - Parametric ReLU

Softmax

• softmax参考
• tensorflower API

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。

tf.nn.softmax(
    logits, axis=None, name=None
)
1
2
3

选用激活函数建议

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， 当 前 层 输 入 特 征 个 数 为标准差的
   正态分布

本文参考

• 知乎