[深度学习] 神经网络中的激活函数（Activation function）

20180930 在研究调整FCN模型的时候，对激活函数做更深入地选择，记录学习内容

激活函数（Activation Function），就是在人工神经网络的神经元上运行的函数，负责将神经元的输入映射到输出端。

在这里插入图片描述

线性激活函数：最简单的linear function就是f(x) = x，不对输入进行修改就直接输出
非线性激活函数：这些函数用于对不可线性分离的数据进行分离，是最常用的激活函数。非线性方程控制从输入到输出的映射。常用的非线性激活函数的例子是Sigmoid，tanH，ReLU，LReLU，PReLU，Swish等。

使用激活函数的原因

参考 https://www.zhihu.com/question/22334626

单层感知机 Perceptron

这是一个单层的感知机，也是我们最常用的神经网络组成单元，用它可以在平面中划出一条线，把平面分割开，进行二分类。

在这里插入图片描述

多感知机组合 Perceptron

多个感知机组合，能够在平面中进行更复杂的分割，获得更强的分类能力。

在这里插入图片描述

由感知机的结构来看，如果不用激励函数，每一层输出都是上层输入的线性函数，无论神经网络有多少层，输出都是输入的线性组合，无法直接进行非线性分类

在这里插入图片描述

所以，我们要加入一种方式来完成非线性分类，这个方法就是激活函数。

单层感知机
多层感知机

如果使用的话，激活函数给神经元引入了非线性因素，使得神经网络可以任意逼近任何非线性函数，这样神经网络就可以应用到众多的非线性模型中。

使用step激活函数的线性模型（step下面有介绍）
使用其他激活函数的非线性模型，可能学习出更多的平滑分类

总结，使用激活函数可以在神经网络中引入非线性分类方式，从而完成线性模型所不能完成的分类，解决真正的实际问题。

常用的激活函数

step
- 图形
Sigmoid
- 图形
- 导数
- Tensorflow中tf.sigmoid
- 缺点
  - Sigmoid有一个非常致命的缺点，当输入非常大或者非常小的时候（saturation），这些神经元的梯度是接近于0的。如果你的初始值很大的话，神经元可能会停止梯度下降过程，这会导致网络变的无法学习。
  - Sigmoid的曲线均值不为0，这会导致后一层的神经元将得到上一层输出的非0均值的信号作为输入。产生的一个结果就是：如果数据进入神经元的时候是正的，那么计算出的梯度也会始终都是正的。如果是进行批训练，训练过程中会得到不同的信号，这样会缓解非0均值带来的影响。
TanH
- 图形
- 导数
- Tensorflow使用tf.tanh
- 缺点：实际上从根本上是sigmoid函数的变形体，解决了非0均值的问题，但不能解决过大或者过小时候导数接近于0的问题
Rectified linear unit (ReLU)
- 图形
- 导数
- Tensorflow使用tf.nn.relu(features, name = None)
- 缺点：不幸的是，使用ReLU的神经元在训练期间可能很脆弱并且可能“死亡”。例如，经过ReLU神经元的梯度过大的下降可能导致权重可能不在更新（因为x<0时，y的值和导数都为0），即神经元将永远不再在任何数据点上激活。如果发生这种情况，那么经过该神经元的梯度将从该点开始永远为0。也就是说，ReLU神经元可以在训练期间不可逆转地死亡。例如，如果学习率设置得太高，您可能会发现多达40％的网络可能“死”（即永远不会在整个训练数据集中激活的神经元）。通过适当设置学习率，这也不是一个问题。
Leaky ReLU
- 图形
- Tensorflow使用 tf.nn.leaky_relu(features, alpha=0.2, name=None)，其中alpha为x<0时的斜率
- 解决了ReLU的“死”神经元问题
更多激活函数详细内容