文章目录
-
-
- 一、tf.nn.sigmoid：
- 二、tf.nn.softmax：
- 三、tf.nn.tanh：
- （主流）四、tf.nn.relu：
- 五、tf.nn.leaky_relu：
- 六、tf.nn.elu：
- 七、tf.nn.selu：
- 八、tf.nn.swish：
-
一、tf.nn.sigmoid：
将实数压缩到0到1之间，一般只在二分类的最后输出层使用。主要缺陷为存在梯度消失问题，计算复杂度高，输出不以0为中心。函数和公式如下图所示
二、tf.nn.softmax：
sigmoid的多分类扩展，一般只在多分类问题的最后输出层使用。
三、tf.nn.tanh：
将实数压缩到-1到1之间，输出期望为0。主要缺陷为存在梯度消失问题，计算复杂度高。
（主流）四、tf.nn.relu：
修正线性单元，最流行的激活函数。一般隐藏层使用。主要缺陷是：输出不以0为中心，输入小于0时存在梯度消失问题(死亡relu)。
五、tf.nn.leaky_relu：
对修正线性单元的改进，解决了死亡relu问题。
六、tf.nn.elu：
指数线性单元。对relu的改进，能够缓解死亡relu问题。
七、tf.nn.selu：
扩展型指数线性单元。在权重用tf.keras.initializers.lecun_normal初始化前提下能够对神经网络进行自归一化。不可能出现梯度爆炸或者梯度消失问题。需要和Dropout的变种AlphaDropout一起使用。
八、tf.nn.swish：
自门控激活函数。谷歌出品，相关研究指出用swish替代relu将获得轻微效果提升。
