怎么激活导入环境的python

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。

如果不用激活函数，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，这种情况就是最原始的感知机。

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。

#!/usr/bin/env python
# -*- coding: UTF-8 -*-
#                     _ooOoo_
#                   o8888888o
#                    88" . "88
#                 ( | -  _  - | )
#                     O\ = /O
#                 ____/`---'\____
#                  .' \\| |// `.
#                 / \\|||:|||// \
#               / _|||||-:- |||||- \
#                | | \\\ - /// | |
#              | \_| ''\---/'' | _/ |
#               \ .-\__ `-` ___/-. /
#            ___`. .' /--.--\ `. . __
#         ."" '< `.___\_<|>_/___.' >'"".
#       | | : `- \`.;`\  _ /`;.`/ - ` : | |
#          \ \ `-. \_ __\ /__ _/ .-` / /
#      ==`-.____`-.___\_____/___.-`____.-'==
#                     `=---='
'''
@Project ：pythonalgorithms 
@File ：Activationfunction.py
@Author ：不胜人生一场醉@Date ：2021/8/11 0:14 
'''
import numpy as np
from matplotlib import pyplot as plt

def drawpic(x, y, label=' ', title=' '):
   plt.figure(figsize=(10, 8))
   ax = plt.gca()  # 通过gca:get current axis得到当前轴
   plt.rcParams['font.sans-serif'] = ['SimHei']  # 绘图中文
   plt.rcParams['axes.unicode_minus'] = False  # 绘图负号
   plt.plot(x, y, label=label)

   # 设置图片的右边框和上边框为不显示
   ax.spines['right'].set_color('none')
   ax.spines['top'].set_color('none')

   # 挪动x，y轴的位置，也就是图片下边框和左边框的位置
   # data表示通过值来设置x轴的位置，将x轴绑定在y=0的位置
   ax.spines['bottom'].set_position(('data', 0))
   # axes表示以百分比的形式设置轴的位置，即将y轴绑定在x轴50%的位置
   ax.spines['left'].set_position(('axes', 0.5))
   # ax.spines['left'].set_position(('data', 0))
   plt.title(title)
   plt.legend(loc='upper right')
plt.show()

if __name__ == '__main__':
   std = 0.1  # 标准差为0.1
   avg = 1  # 平均值为1
   x = np.linspace(avg - 5 * std, avg + 5 * std, 100)
   y = normaldistribution(x, avg, std)
   drawpic(x, y, 'normaldistribution', 'normal distribution function')

   x = np.linspace(-5, 5, 100)
   y = sigmoid(x)
   drawpic(x, y, 'sigmoid', 'sigmoid Activation function')

   y = tanh(x)
   drawpic(x, y, 'tanh', 'tanh Activation function')

   y = stepfunction(x)
   drawpic(x, y, 'tanh', 'step Activation function')

   y = relu(x)
   drawpic(x, y, 'relu', 'relu Activation function')

   y = leakyrelu(x)
   drawpic(x, y, 'leakyrelu', 'leakyrelu Activation function')

   y = softmax(x)
   drawpic(x, y, 'softmax', 'softmax Activation function')

# 求正态分布值,avg表示期望值，std表示标准差
def normaldistribution(x, avg=0, std=1):
   return np.exp(-(x - avg) ** 2 / (2 * std ** 2)) / (np.sqrt(2 * np.pi) * std)
   # return np.exp(-(x - avg) ** 2 / (2 * std ** 2)) / (math.sqrt(2 * math.pi) * std)

# Sigmoid函数
# Sigmoid函数是一个在生物学中常见的S型函数，也称为S型生长曲线。
# 在信息科学中，由于其单增以及反函数单增等性质，Sigmoid函数常被用作神经网络的阈值函数，将变量映射到0,1之间
def sigmoid(x):
   return 1 / (1 + np.power(np.e, -x))

# Tanh函数
# Tanh是双曲函数中的一个，Tanh()为双曲正切。
# 在数学中，双曲正切“Tanh”是由基本双曲函数双曲正弦和双曲余弦推导而来。
# 函数tanh（蓝色）和函数sigmoid（橙色）一样，在其饱和区的接近于0，都容易产生后续梯度消失、计算量大的问题
def tanh(x):
   return (np.exp(x) - np.exp(-x)) / (np.exp(x) + np.exp(-x))

# 阶跃函数
def stepfunction(x):
   return np.array(x > 0, dtype=np.int32)

# ReLU函数
# Relu激活函数（The Rectified Linear Unit），用于隐层神经元输出。
# Relu会使一部分神经元的输出为0，这样就造成了网络的稀疏性，并且减少了参数的相互依存关系，缓解了过拟合问题的发生。
def relu(x):
   return np.maximum(0, x)

# leaky ReLU函数
def leakyrelu(x):
   return np.maximum(0.01 * x, x)

# softmax函数
# softmax函数可以看做是Sigmoid函数的一般化，用于多分类神经网络输出。
def softmax(x):
   return np.exp(x) / np.sum(np.exp(x))