神经网络中常用的激活函数（公式 + 函数图像）

神经网络中常用的激活函数（公式 + 函数图像）

引用

CSDN

1.

https://m.blog.csdn.net/weixin_74268817/article/details/143893618

激活函数是人工神经网络中的一个关键组件，负责引入非线性，从而使神经网络能够学习和表示复杂的非线性关系。没有激活函数，神经网络中的所有计算都是线性变换，而线性模型的表达能力有限，无法处理复杂的任务。

激活函数的作用

• 引入非线性：通过将线性输入映射到非线性输出，使神经网络具备表示复杂函数的能力。
• 控制输出范围：激活函数常将输出限制在某个范围内，如 [0,1] ，有助于稳定训练过程。
• 提供梯度信息：激活函数对输入的导数用于反向传播，通过调整参数来优化网络性能。

常见激活函数

（一）ReLU（Rectified Linear Unit）

公式：

特点：

• 输出范围：[0,+∞）
• 优点：计算简单，高效；缓解了梯度消失问题。
• 缺点：可能导致“神经元死亡”（Dead Neurons）问题，尤其是输入为负时。即当权重更新导致某些神经元输出恒为0时，这些神经元可能永远不被激活。

（二）Sigmoid

公式：

特点:

• 输出范围：(0,1)
• 非线性且平滑，对输入做“压缩”，将其映射到 (0,1)区间。

特点:

• 输出范围：(0,1)(0, 1)(0,1)
• 常用于二分类问题的输出层。
• 优点：平滑，可解释为概率。
• 缺点：梯度在接近 0 和 1 时趋近于 0（梯度消失问题）。

（三）Tanh（Hyperbolic Tangent）

公式：

特点：

• 输出范围：(−1,1)(-1, 1)(−1,1)。
• 优点：输出均值接近 0，适合深层网络的梯度传播。
• 缺点：和 Sigmoid 一样，容易出现梯度消失问题。

（四）LReLU（Leaky ReLU）

公式：

特点:

• 输出范围：[ -∞, +∞ )。
• 优点：解决了 ReLU 的“神经元死亡”问题。
• 缺点：引入了一个额外的超参数 α ，默认为 0.1。

（五）PReLU（Parametric ReLU）

公式：

特点：

• 是 Leaky ReLU 的扩展版本， 但斜率 α 是可学习的参数。
• 提高模型的灵活性和表现力。

（六）ELU（Exponential Linear Unit）

公式：

(α>0, 通常为 1)

特点：

• 输出范围：(−α,+∞)。
• 优点：缓解梯度消失问题；负输出使均值更接近 0。

（七）Softmax

公式：

特点：

• 用于多分类问题的输出层。
• 将输出归一化为概率分布。

（八）Swish

公式：

特点：

• 输出范围：(−∞,+∞)。
• 优点：平滑，可微；在某些任务中表现优于 ReLU。
• 缺点：计算稍复杂。

（九）GELU（Gaussian Error Linear Unit）

公式：
Φ(x) 为标准正态分布的累积分布函数

特点：

• Swish 的一种改进。
• 常用于自然语言处理中的 Transformer 模型。

常用激活函数总结

隐藏层：常用 ReLU 或其变体（Leaky ReLU、PReLU、ELU）。

• 简单网络：可以尝试 ReLU 或 Leaky ReLU。
• 深度网络：推荐 Swish、GELU 或 ELU。

输出层：

• 二分类问题：Sigmoid。
• 多分类问题：Softmax。
• 回归问题：线性激活函数（或不使用激活函数）。