cnn激活函数的作用 cnn的激活函数在哪使用

1、激活函数

更新W有两种方法：穷举法、梯度下降法

如何选择激活函数？

• 通常来说，很少会把各种激活函数串起来在一个网络中使用。 
• 如果使用 ReLU ，那么一定要小心设置学习率（learning rate ），预防出现过多的“神经元死亡”问题。
• 如果这个问题不好解决，那么可以试试 Leaky ReLU 、 PReLU 或者 Maxout。 
• 最好不要用 sigmoid ，可以试试 tanh ，不过可以预期它的效果会比不上 ReLU 和 Maxout。

激励层建议：

CNN尽量不要使用sigmoid，如果要使用，建议只在全连接层使用

首先使用ReLU，因为迭代速度快，但是有可能效果不佳

如果使用ReLU失效的情况下，考虑使用Leaky ReLu或者Maxout，此时一般情况都可以解决啦

tanh激活函数在某些情况下有比较好的效果，但是应用场景比较少

 

2、方法

Sigmoid

缺点：

梯度消失，具体来说，由于在后向传递过程中，sigmoid向下传导的梯度包含了一个f’(x) 因子（sigmoid关于输入的导数），因此一旦输入落入饱和区，f’(x) 就会变得接近于0，导致了向底层传递的梯度也变得非常小。此时，网络参数无法被更新，很难得到有效训练。这种现象被称为梯度消失。一般来说， sigmoid 网络在5层之内就会产生梯度消失现象

容易出现软饱和

均值不为零，即函数输出没有0中心化。

如果输入都是正数的话，那么对 w求局部梯度则都为正；结合梯度下降法：在反向传播的过程中w要么都往正方向更新，要么都往负方向更新，这将会导致梯度下降权重更新时出现 z 字型(Zig Zag)的下降。使得收敛缓慢。

Tanh  双曲正切、双S函数

缺点;

tanh函数也存在梯度饱和问题（也具有软饱和性），造成梯度消失，导致训练效率低下。甚至终止梯度传递（死亡神经元）

与 sigmoid 不同的是，tanh输出是零均值的（0中心化）。

实际应用中，tanh 会比 sigmoid 使得模型收敛速度更快。

 

ReLU  修正线性单元

 

与传统sigmoid激活函数相比，ReLU能有效缓解梯度消失问题。ReLU 在x<0 时硬饱和。x>0时导数为 1，所以，ReLU 能够在x>0时保持梯度不衰减。f(x) = max(0, x )

均值不为零

计算速度快。正向传播过程中，sigmoid和tanh函数计算激活值时需要计算指数，而Relu函数仅需要设置阈值就可以得到激活值，而不用去算复杂的（指数）运算。如果x<0, f(x)=0，如果x>0, f(x)=x。加快了正向传播的计算速度。

Relu激活函数可以极大地加快收敛速度，相比tanh函数，收敛速度可以加快6倍。

随着训练的推进，部分输入会落入硬饱和区，导致对应权重无法更新。这种现象被称为“神经元死亡”。

没有梯度消失和梯度爆炸，收敛速度快，但是有死亡神经元（可以用较小学习率避免）

Leaky ReLU

f(x) = max(σx, x )

用来解决 ReLU“神经元死亡” 的问题。与 ReLU 不同的是ReLU 中当 x<0 时，函数值为 0 。而 Leaky ReLU 则是给出一个很小的负数梯度值，比如 0.01

 

PReLU

PReLU 是ReLU 和 Leaky ReLU的改进版本，具有非饱和性：

与ReLU相比，PReLU收敛速度更快（因为PReLU的输出更接近0均值）。

RReLU

核心思想：在训练过程中，aji是从一个高斯分布中随机出来的，然后再在测试过程中进行修正。

 

ELU

右侧线性部分使得ELU能够缓解梯度消失，而左侧软饱和能够让ELU对输入变化或噪声更鲁棒。

ELU的输出均值接近于零（相比sigmoid和ReLU），所以收敛速度更快。

融合了sigmoid和ReLU：左侧具有软饱和性，右侧无饱和性。

Maxout

无神经元饱和，无神经元死亡，计算复杂。

Maxout能够缓解梯度消失，又由于不会陷入硬饱和区

Maxout的拟合能力非常强：它可以拟合任意的的凸函数。

规避了ReLU神经元死亡的缺点。但增加了参数和计算量。