如果你剛剛開始學習神經網絡，激活函數的原理一開始可能很難理解。但是如果你想開發強大的神經網絡，理解它們是很重要的。

但在我們深入研究激活函數之前，先快速回顧一下神經網絡架構的基本元素。如果你已經熟悉神經網絡的工作原理，可以直接跳到下一節。

神經網絡架構

神經網絡由稱為神經元的鏈接節點層組成，神經元通過稱為突觸的加權連接來處理和傳輸信息。

每個神經元從上一層的神經元獲取輸入，對其輸入的和應用激活函數，然后將輸出傳遞給下一層。

神經網絡的神經元!包含輸入層、隱藏層和輸出層。

輸入層只接收來自域的原始數據。這里沒有計算，節點只是簡單地將信息(也稱為特征)傳遞給下一層，即隱藏層。隱藏層是所有計算發生的地方。它從輸入層獲取特征，并在將結果傳遞給輸出層之前對它們進行各種計算。輸出層是網絡的最后一層。它使用從隱藏層獲得的所有信息并產生最終值。

為什么需要激活函數。為什么神經元不能直接計算并將結果轉移到下一個神經元?激活函數的意義是什么?

激活函數在神經網絡中的作用

網絡中的每個神經元接收來自其他神經元的輸入，然后它對輸入進行一些數學運算以生成輸出。一個神經元的輸出可以被用作網絡中其他神經元的輸入。

如果沒有激活函數，神經元將只是對輸入進行線性數學運算。這意味著無論我們在網絡中添加多少層神經元，它所能學習的東西仍然是有限的，因為輸出總是輸入的簡單線性組合。

激活函數通過在網絡中引入非線性來解決問題。通過添加非線性，網絡可以模擬輸入和輸出之間更復雜的關系，從而發現更多有價值的模式。

簡而言之，激活函數通過引入非線性并允許神經網絡學習復雜的模式，使神經網絡更加強大。

理解不同類型的激活函數

我們可以將這些函數分為三部分:二元、線性和非線性。

二元函數只能輸出兩個可能值中的一個，而線性函數則返回基于線性方程的值。

非線性函數，如sigmoid函數，Tanh, ReLU和elu，提供的結果與輸入不成比例。每種類型的激活函數都有其獨特的特征，可以在不同的場景中使用。

1、Sigmoid / Logistic激活函數

Sigmoid激活函數接受任何數字作為輸入，并給出0到1之間的輸出。輸入越正，輸出越接近1。另一方面，輸入越負，輸出就越接近0，如下圖所示。

它具有s形曲線，使其成為二元分類問題的理想選擇。如果要創建一個模型來預測一封電子郵件是否為垃圾郵件，我們可以使用Sigmoid函數來提供一個0到1之間的概率分數。如果得分超過0.5分，則認為該郵件是垃圾郵件。如果它小于0.5，那么我們可以說它不是垃圾郵件。

函數定義如下:

但是Sigmoid函數有一個缺點——它受到梯度消失問題的困擾。當輸入變得越來越大或越來越小時，函數的梯度變得非常小，減慢了深度神經網絡的學習過程，可以看上面圖中的導數（Derivative）曲線。

但是Sigmoid函數仍然在某些類型的神經網絡中使用，例如用于二進制分類問題的神經網絡，或者用于多類分類問題的輸出層，因為預測每個類的概率Sigmoid還是最好的解決辦法。

2、Tanh函數(雙曲正切)

Tanh函數，也被稱為雙曲正切函數，是神經網絡中使用的另一種激活函數。它接受任何實數作為輸入，并輸出一個介于-1到1之間的值。

Tanh函數和Sigmoid函數很相似，但它更以0為中心。當輸入接近于零時，輸出也將接近于零。這在處理同時具有負值和正值的數據時非常有用，因為它可以幫助網絡更好地學習。

函數定義如下:

與Sigmoid函數一樣，Tanh函數也會在輸入變得非常大或非常小時遭遇梯度消失的問題。

3、線性整流單元/ ReLU函數

ReLU是一種常見的激活函數，它既簡單又強大。它接受任何輸入值，如果為正則返回，如果為負則返回0。換句話說，ReLU將所有負值設置為0，并保留所有正值。

函數定義如下:

使用ReLU的好處之一是計算效率高，并且實現簡單。它可以幫助緩解深度神經網絡中可能出現的梯度消失問題。

但是，ReLU可能會遇到一個被稱為“dying ReLU”問題。當神經元的輸入為負，導致神經元的輸出為0時，就會發生這種情況。如果這種情況發生得太頻繁，神經元就會“死亡”并停止學習。

4、Leaky ReLU

Leaky ReLU函數是ReLU函數的一個擴展，它試圖解決“dying ReLU”問題。Leaky ReLU不是將所有的負值都設置為0，而是將它們設置為一個小的正值，比如輸入值的0.1倍。他保證即使神經元接收到負信息，它仍然可以從中學習。

函數定義如下:

Leaky ReLU已被證明在許多不同類型的問題中工作良好。

5、指數線性單位(elu)函數

ReLU一樣，他們的目標是解決梯度消失的問題。elu引入了負輸入的非零斜率，這有助于防止“dying  ReLU”問題

公式為:

這里的alpha是控制負飽和度的超參數。

與ReLU和tanh等其他激活函數相比，elu已被證明可以提高訓練和測試的準確性。它在需要高準確度的深度神經網絡中特別有用。

6、Softmax函數

在需要對輸入進行多類別分類的神經網絡中，softmax函數通常用作輸出層的激活函數。它以一個實數向量作為輸入，并返回一個表示每個類別可能性的概率分布。

softmax的公式是:

這里的x是輸入向量，i和j是從1到類別數的索引。

Softmax對于多類分類問題非常有用，因為它確保輸出概率之和為1，從而便于解釋結果。它也是可微的，這使得它可以在訓練過程中用于反向傳播。

7、Swish

Swish函數是一個相對較新的激活函數，由于其優于ReLU等其他激活函數的性能，在深度學習社區中受到了關注。

Swish的公式是:

這里的beta是控制飽和度的超參數。

Swish類似于ReLU，因為它是一個可以有效計算的簡單函數。并且有一個平滑的曲線，有助于預防“dying ReLU”問題。Swish已被證明在各種深度學習任務上優于ReLU。

選擇哪一種?

首先，需要將激活函數與你要解決的預測問題類型相匹配。可以從ReLU激活函數開始，如果沒有達到預期的結果，則可以轉向其他激活函數。

以下是一些需要原則:

• ReLU激活函數只能在隱藏層中使用。
• Sigmoid/Logistic和Tanh函數不應該用于隱藏層，因為它們會在訓練過程中引起問題。
• Swish函數用于深度大于40層的神經網絡會好很多。

輸出層的激活函數是由你要解決的預測問題的類型決定的。以下是一些需要記住的基本原則:

• 回歸-線性激活函數
• 二元分類- Sigmoid
• 多類分類- Softmax
• 多標簽分類- Sigmoid

選擇正確的激活函數可以使預測準確性有所不同。所以還需要根據不同的使用情況進行測試。