深度学习小白——神经网络1(激活函数)

一、激活函数

1. Sigmoid                    


它可以将输入实数值压缩到0到1的范围内，更具体地说，很大的负数变为0，很大的正数变为1。 但sigmoid 函数有几个缺点

sigmoid函数饱和使梯度消失，当神经元的激活在接近0或者1时会饱和，在这些区域，梯度几乎为0，这样，在反向传播过程中，局部梯度就会接近0，这会有效地“杀死”梯度
Sigmoid函数的输出不是零中心的。这样使得关于w的梯度在反向传播过程中，将会要么全是正数，要么全是负数，使得梯度下降过程中出现z字型下降
2.Tanh函数                  


它将输入实数值压缩到-1,1之间，和sigmoid函数一样，它也存在饱和问题，但它输出是零中心的，所以相比较sigmoid而言更受欢迎

3. ReLU                       


优点：
ReLU对于随机梯度下降的首先有巨大的加速作用，这是由于它的线性，非饱和的公式导致的
sigmoid 和 tanh函数都含有指数运算，而ReLU可以简单地通过对一个矩阵进行阈值计算得到
缺点：

ReLU单元比较脆弱并且可能“死掉”。当一个很大的梯度流过ReLU的神经元的时候，可能会导致梯度更新到一种特别的状态，使得无法被其他任何数据点再次激活，如果这种情况发生，那么从此所有流过这个神经元的梯度都将变为0
4. Leaky ReLU （为解决ReLU死亡问题）



5.Maxout                       


它是对ReLU和leaky ReLU的一般化归纳，maxout神经元拥有ReLU所有的优点，而没有它的缺点，然而和ReLU对比，它每个神经元的参数量增加了一倍

总结：

如果用ReLU，注意设置好学习率，或许可以监控死亡的神经元占的比例。不要用sigmoid，也可以试试tanh，但效果应该不如ReLU或者Maxout