本文目录一览

1，深度学习中的主要激活函数有哪些

这其实是一种状态压缩或状态转换。模拟人类神经元之间的信号传递，信号是从前一个神经元轴突传递到后一个神经元的树突或胞体，是从电信号转化学信号再转电信号，激活函数就是模拟化学信号到电信号之间的转换。

深度学习中的主要激活函数有哪些

2，python relu激活函数参数是np怎么办

import mathdef sigmoid(x,derivate=False): if derivate: return sigmoid(x)*(1-sigmoid(x)) return 1.0 / (1+math.exp(-x)) def relu(x): if x > 0: return x else: return 0sigmoid 求导和其函数值相关
支持一下感觉挺不错的

python relu激活函数参数是np怎么办

3，什么是激活函数有哪些类型有什么作用哪个更好用

函数（function）表示每个输入值对应唯一输出值的一种对应关系。这种关系使一个集合里的每一个元素对应到另一个（可能相同的）集合里的唯一元素。函数f中对应输入值的输出值x的标准符号为f(x)。包含某个函数所有的输入值的集合被称作这个函数的定义域，包含所有的输出值的集合被称作值域。若先定义映射的概念，可以简单定义函数为，定义在非空数集之间的映射称为函数。函数的参数类型 主要是用在传递参数的地方，当调用这个函数的时候，传递的参数类型必须和定义是的参数类型相匹配。否则，编译程序会提示错误，
你说呢...

什么是激活函数有哪些类型有什么作用哪个更好用

4，在神经网络使用elu激活函数时怎么使用交叉熵作为损失函数

P、T矩阵均为一列为一个样本，因此P、T的列数必须相等，否则报错。你参考下别人的程序，我建议使用newff函数，不要弄得这么复杂。还有P、T的生成不需要那么复杂，只需要：P(i,:)=YY(i:i+2);附上newff函数的格式为：net=newff(PR,[S1S2SN],{TF1TF2TFN},BTF,BLF,PF），函数newff建立一个可训练的前馈网络。输入参数说明：PR：Rx2的矩阵以定义R个输入向量的最小值和最大值；Si：第i层神经元个数；TFi：第i层的传递函数，默认函数为tansig函数；BTF：训练函数，默认函数为trainlm函数；BLF：权值/阀值学习函数，默认函数为learngdm函数；PF：性能函数，默认函数为mse函数。

5，人工神经网络常用的4个激活函数是哪些

人工神经网络（artificial neural network，即ann ），是20世纪80 年代以来人工智能领域兴起的研究热点。它从信息处理角度对人脑神经元网络进行抽象， 建立某种简单模型，按不同的连接方式组成不同的网络。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型，由大量的节点（或称神经元）之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数（activation function）。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。
何止3个（类）？深度的大多ReLU以及类似的，softplus是reLu软化的产物； RBF的话Gaussian很常见；Sigmoif类里tanh和logistic等也很常用；实在不济，step function也可以用。某些regression问题直接在最后层用identity function，也算是激活函数。

6，神经网络中的激活函数有什么区别

理论上讲任何一个连续的非多项式、常数函数都可以做为BP的激活函数，而且这都是已经在数学上证明过的问题。 但sigmoid函数相对其他函数有它自身的优点，比如说光滑性，鲁棒性，以及在求导的时候可以用它自身的某种形式来表示 。这一点在做数值试验的时候很重要，因为权值的反向传播，要求激活函数的导数 。多层就有多个导数，如果用一般的连续函数，这对计算机的存储和运算都是一个问题，此外还要考虑整个模型的收敛速度，我上面提到连续函数都可以做激活函数 。但是相应的Sigmoidal型函数的收敛速度还是比较快的，（相同的结构前提下） 还有就是BP在做分类问题的时候，Sigmoidal函数能比较好的执行这一条件，关于连续函数可以做激活函数的证明，可以在IEEE trans. on neural networks 和NeuralNetworks以及Neural Computating 和Neural Computation上找到。
理论上讲任何一个连续的非多项式、常数函数都可以做为bp的激活函数 而且这都是已经在数学上证明过的问题。 那么为什么一般是要选作sigmoidal函数 我认为是sigmoid函数相对其他函数有它自身的优点 比如说光滑性，鲁棒性，以及在求导的时候可以用它自身的某种形式来表示 这一点在做数值试验的时候很重要，因为权值的反向传播，要求激活函数的导数 多层就有多个导数，如果用一般的连续函数，这对计算机的存储和运算都是一个问题 此外还要考虑整个模型的收敛速度，我上面提到连续函数都可以做激活函数 但是相应的sigmoidal型函数的收敛速度还是比较快的，（相同的结构前提下） 还有就是bp在做分类问题的时候，sigmoidal函数能比较好的执行这一条件 关于连续函数可以做激活函数的证明，可以在ieee trans. on neural networks 和 neural networks以及neural computating 和neural computation上找到 这类问题在上个世纪90年代就已经基本解决

文章TAG：激活  激活函数  函数  深度  elu激活函数  
下一篇