跳转到内容

激活函数

本页使用了标题或全文手工转换
维基百科,自由的百科全书

计算网络中, 一个节点的激活函数定义了该节点在给定的输入或输入的集合下的输出。标准的计算机芯片电路可以看作是根据输入得到(1)或(0)输出的數位電路激活函数。这与神经网络中的线性感知机的行为类似。然而,只有非線性激活函数才允許這種網絡僅使用少量節點來計算非平凡問題。 在人工神經網絡中,這個功能也被稱為傳遞函數

单变量输入激活函數

名稱 函數圖形 方程式 導數 區間 连续性[1] 單調 一阶导数单调 原点近似恒等
恆等函數
單位階躍函數
邏輯函數 (S函數的一种) [2]
雙曲正切函數
反正切函數
Softsign 函數[1][2]
反平方根函數 (ISRU)[3]
線性整流函數 (ReLU)
帶泄露線性整流函數 (Leaky ReLU)
參數化線性整流函數 (PReLU)[4] Yes iff Yes iff
帶泄露隨機線性整流函數 (RReLU)[5] [3]
指數線性函數 (ELU)[6] Yes iff Yes iff Yes iff
擴展指數線性函數 (SELU)[7]

with and

S 型線性整流激活函數 (SReLU)[8]
are parameters.
反平方根線性函數 (ISRLU)[3]
自適應分段線性函數 (APL)[9] [4]
SoftPlus 函數[10]
彎曲恆等函數
S 型线性加权函数 (SiLU)[11] (也被稱為Swish[12]) [5] [6]
软指数函數[13] Yes iff
正弦函數
Sinc 函數
高斯函數

说明

^ 若一函数是连续的,则称其为函数;若一函数阶可导,并且其阶导函数连续,则为函数();若一函数对于所有都属于函数,则称其为函数,也称光滑函数
^ 此處H單位階躍函數
^ α是在訓練時間從均勻分佈中抽取的隨機變量,並且在測試時間固定為分佈的期望值
^ ^ ^ 此處邏輯函數

多变量输入激活函数

名稱 方程式 導數 區間 光滑性
Softmax函數    for i = 1, …, J [7]
Maxout函數[14]

说明

^ 此處δ克羅內克δ函數

參見

參考資料

  1. ^ Bergstra, James; Desjardins, Guillaume; Lamblin, Pascal; Bengio, Yoshua. Quadratic polynomials learn better image features". Technical Report 1337. Département d’Informatique et de Recherche Opérationnelle, Université de Montréal. 2009. (原始内容存档于2018-09-25). 
  2. ^ Glorot, Xavier; Bengio, Yoshua, Understanding the difficulty of training deep feedforward neural networks (PDF), International Conference on Artificial Intelligence and Statistics (AISTATS’10), Society for Artificial Intelligence and Statistics, 2010, (原始内容存档 (PDF)于2017-04-01) 
  3. ^ 3.0 3.1 Carlile, Brad; Delamarter, Guy; Kinney, Paul; Marti, Akiko; Whitney, Brian. Improving Deep Learning by Inverse Square Root Linear Units (ISRLUs). 2017-11-09. arXiv:1710.09967可免费查阅 [cs.LG]. 
  4. ^ He, Kaiming; Zhang, Xiangyu; Ren, Shaoqing; Sun, Jian. Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification. 2015-02-06. arXiv:1502.01852可免费查阅 [cs.CV]. 
  5. ^ Xu, Bing; Wang, Naiyan; Chen, Tianqi; Li, Mu. Empirical Evaluation of Rectified Activations in Convolutional Network. 2015-05-04. arXiv:1505.00853可免费查阅 [cs.LG]. 
  6. ^ Clevert, Djork-Arné; Unterthiner, Thomas; Hochreiter, Sepp. Fast and Accurate Deep Network Learning by Exponential Linear Units (ELUs). 2015-11-23. arXiv:1511.07289可免费查阅 [cs.LG]. 
  7. ^ Klambauer, Günter; Unterthiner, Thomas; Mayr, Andreas; Hochreiter, Sepp. Self-Normalizing Neural Networks. 2017-06-08. arXiv:1706.02515可免费查阅 [cs.LG]. 
  8. ^ Jin, Xiaojie; Xu, Chunyan; Feng, Jiashi; Wei, Yunchao; Xiong, Junjun; Yan, Shuicheng. Deep Learning with S-shaped Rectified Linear Activation Units. 2015-12-22. arXiv:1512.07030可免费查阅 [cs.CV]. 
  9. ^ Forest Agostinelli; Matthew Hoffman; Peter Sadowski; Pierre Baldi. Learning Activation Functions to Improve Deep Neural Networks. 21 Dec 2014. arXiv:1412.6830可免费查阅 [cs.NE]. 
  10. ^ Glorot, Xavier; Bordes, Antoine; Bengio, Yoshua. Deep sparse rectifier neural networks (PDF). International Conference on Artificial Intelligence and Statistics. 2011. (原始内容存档 (PDF)于2018-06-19). 
  11. ^ Sigmoid-Weighted Linear Units for Neural Network Function Approximation in Reinforcement Learning. [2018-06-13]. (原始内容存档于2018-06-13). 
  12. ^ Searching for Activation Functions. [2018-06-13]. (原始内容存档于2018-06-13). 
  13. ^ Godfrey, Luke B.; Gashler, Michael S. A continuum among logarithmic, linear, and exponential functions, and its potential to improve generalization in neural networks. 7th International Joint Conference on Knowledge Discovery, Knowledge Engineering and Knowledge Management: KDIR. 2016-02-03, 1602: 481–486. Bibcode:2016arXiv160201321G. arXiv:1602.01321可免费查阅. 
  14. ^ Goodfellow, Ian J.; Warde-Farley, David; Mirza, Mehdi; Courville, Aaron; Bengio, Yoshua. Maxout Networks. JMLR WCP. 2013-02-18, 28 (3): 1319–1327. Bibcode:2013arXiv1302.4389G. arXiv:1302.4389可免费查阅.