神经网络中常见的激活函数：理解与实践-易微帮

神经网络中常见的激活函数：理解与实践

在神经网络中，激活函数是一个非常重要的组成部分，它为神经元引入了非线性特性，使得神经网络可以拟合各种复杂的函数关系。本文将介绍9种常见的激活函数，包括它们的概述、公式以及用Python实现示例代码，并对它们进行比较和总结。

1. 概述

激活函数是神经网络中的一个关键组件，它决定了神经元的输出是否被激活。在神经网络的每一层中，都会使用激活函数对输入进行非线性变换，从而使得神经网络可以逼近复杂的函数关系。

2. 激活函数的公式

1. Sigmoid函数

Sigmoid函数是一种常用的激活函数，它将输入的值映射到0到1之间的输出。

公式：
$\sigma(x) = \frac{1}{1 + e^{-x}}$

2. TanH函数

TanH函数是Sigmoid函数的变体，将输入的值映射到-1到1之间的输出。

公式：
$\text{tanh}(x) = \frac{e^x - e^{-x}}{e^x + e^{-x}}$

3. ReLU函数

ReLU函数是一种简单而有效的激活函数，它将所有负值都设置为零，保持正值不变。

公式：
$\max(0, x)$

4. Leaky ReLU函数

Leaky ReLU函数是对ReLU的改进，它在负值部分引入了一个小的斜率，避免了ReLU可能出现的“神经元死亡”问题。

公式：
$\begin{cases} x, & \text{if } x > 0 \\ \alpha x, & \text{otherwise} \end{cases}$

5. Parametric ReLU (PReLU)函数

PReLU函数是Leaky ReLU的进一步改进，它允许斜率成为可学习的参数，而不是固定的超参数。

公式：
$\begin{cases} x, & \text{if } x > 0 \\ \alpha x, & \text{otherwise} \end{cases}$

6. Exponential Linear Unit (ELU)函数

ELU函数在负值部分引入了一个非线性项，相对于ReLU，它在负值区域的输出更接近于零。

公式：
$\begin{cases} x, & \text{if } x > 0 \\ \alpha (e^x - 1), & \text{otherwise} \end{cases}$

7. Swish函数

Swish函数是一种新型的激活函数，它结合了Sigmoid函数和ReLU函数的特点，具有平滑的非线性性质。

公式：
$\text{Swish}(x) = x \cdot \sigma(x)$

8. Softplus函数

Softplus函数是一种平滑的近似于ReLU函数的激活函数，它可以保证输出是非负的。

公式：
$\text{Softplus}(x) = \ln(1 + e^x)$

9. Mish函数

Mish函数是一种新型的激活函数，具有类似于Swish函数的性质，但更平滑，并且在实践中表现良好。

公式：
$\text{Mish}(x) = x \cdot \tanh(\ln(1 + e^x))$

3. 用Python实现示例代码

下面将用Python实现示例代码，并通过可视化的方式展示不同激活函数的效果。

import numpy as np
import matplotlib.pyplot as plt

# 定义各种激活函数
def sigmoid(x):
    return 1 / (1 + np.exp(-x))

def tanh(x):
    return np.tanh(x)

def relu(x):
    return np.maximum(0, x)

def leaky_relu(x, alpha=0.01):
    return np.where(x > 0, x, alpha * x)

def parametric_relu(x, alpha=0.01):
    return np.where(x > 0, x, alpha * x)

def elu(x, alpha=1.0):
    return np.where(x > 0, x, alpha * (np.exp(x) - 1))

def swish(x):
    return x * sigmoid(x)

def softplus(x):
    return np.log(1 + np.exp(x))

def mish(x):
    return x * np.tanh(np.log(1 + np.exp(x)))

# 生成输入数据
x = np.linspace(-5, 5, 100)

# 计算各个激活函数的输出
y_sigmoid = sigmoid(x)
y_tanh = tanh(x)
y_relu = relu(x)
y_leaky_relu = leaky_relu(x)
y_parametric_relu = parametric_relu(x)
y_elu = elu(x)
y_swish = swish(x)
y_softplus = softplus(x)
y_mish = mish(x)

# 绘制结果
plt.figure(figsize=(14, 10))

plt.subplot(3, 3, 1)
plt.plot(x, y_sigmoid, label='Sigmoid', color='blue')
plt.title('Sigmoid')
plt.grid(True)

plt.subplot(3, 3, 2)
plt.plot(x, y_tanh, label='TanH', color='red')
plt.title('TanH')
plt.grid(True)

plt.subplot(3, 3, 3)
plt.plot(x, y_relu, label='ReLU', color='green')
plt.title('ReLU')
plt.grid(True)

plt.subplot(3, 3, 4)
plt.plot(x, y_leaky_relu, label='Leaky ReLU', color='orange')
plt.title('Leaky ReLU')
plt.grid(True)

plt.subplot(3, 3, 5)
plt.plot(x, y_parametric_relu, label='PReLU', color='purple')
plt.title('Parametric ReLU

')
plt.grid(True)

plt.subplot(3, 3, 6)
plt.plot(x, y_elu, label='ELU', color='brown')
plt.title('ELU')
plt.grid(True)

plt.subplot(3, 3, 7)
plt.plot(x, y_swish, label='Swish', color='cyan')
plt.title('Swish')
plt.grid(True)

plt.subplot(3, 3, 8)
plt.plot(x, y_softplus, label='Softplus', color='magenta')
plt.title('Softplus')
plt.grid(True)

plt.subplot(3, 3, 9)
plt.plot(x, y_mish, label='Mish', color='olive')
plt.title('Mish')
plt.grid(True)

plt.tight_layout()
plt.show()

导入库：
- numpy：用于数值计算。
- matplotlib.pyplot：用于数据可视化。
定义激活函数：
- sigmoid：实现Sigmoid激活函数。
- tanh：实现TanH激活函数。
- relu：实现ReLU激活函数。
- leaky_relu：实现Leaky ReLU激活函数。
- parametric_relu：实现Parametric ReLU激活函数。
- elu：实现ELU激活函数。
- swish：实现Swish激活函数。
- softplus：实现Softplus激活函数。
- mish：实现Mish激活函数。
生成输入数据：
- 使用numpy的linspace函数生成范围在-5到5之间的100个均匀间隔的数据点。
计算各个激活函数的输出：
- 分别对输入数据应用不同的激活函数，得到对应的输出值。
绘制结果：
- 使用matplotlib.pyplot绘制了一个3x3的子图，每个子图表示一个激活函数的输出。
- 在每个子图中，使用plot函数绘制了输入数据和对应激活函数的输出曲线。
- 使用title函数添加了每个子图的标题，表示对应的激活函数名称。
- 使用grid函数添加了网格线，增强了可视化效果。
- 使用tight_layout函数调整子图布局，使得各个子图之间的间距合适。
显示图像：
- 使用show函数显示绘制的图像。

在这里插入图片描述

总结

本文介绍了神经网络中常见的9种激活函数，包括它们的概述、公式和用Python实现示例代码，并通过可视化展示了它们的效果。每种激活函数都有其特点和适用场景，选择合适的激活函数对于神经网络的训练和性能至关重要。读者可以根据实际问题的需求和数据的特点，选择合适的激活函数来提高神经网络的性能和效果。

神经网络中常见的激活函数：理解与实践