最近一边应付工作，一边在补足人工智能的一些基础知识，这个方向虽然新兴，但已是卷帙浩繁，有时不知从何入手，幸亏有个适合基础薄弱的人士学习的网站，每天学习一点，积跬步以至千里吧。有像我一样学习需求的同学，可以访问：人工智能教程，从AI基础讲起，通俗易懂，风趣幽默，步步深入，非常适合初学者。

有输入有输出才能高效学习，今天就针对常用的激活函数来整理一份学习笔记。 

我们知道，如果没有激活函数，那么神经网络层数再多，都只能处理线性问题，对于非线性问题则无能为力。激活函数则是通过引入非线性，使得网络具备处理复杂问题的能力。也正是由于激活函数具备非线性特点，那么网络的层数越多，所能表达的曲线也就能越复杂。

那么有哪些常用的激活函数呢？

1. Sigmoid函数

sigmoid函数的公式和图形如下：

sigmoid函数的输出值在0~1之间，非常适合在二分类（如图像中是否存在人）问题中应用，例如输出为0.8表示80%的概率有人，为0则表示完全没有人。

与sigmoid类似的还有一个hard sigmoid，如下：

但由于该函数在梯度的反向传播时容易产生梯度消失，因此除了在二分类问题中使用，在其他问题中使用较少了。

2. Tanh函数

tanh函数的公式和图形如下：

tanh和sigmoid形状是一样的，但输出范围在-1~1之间，解决了sigmoid函数非zero-centered输出的问题，这使得tanh比sigmoid函数更加高效。但该函数和sigmoid函数一样，在输入数据绝对值较大时，由于梯度越来越小，学习速度就会很慢。

与tanh类似的还有一个hard tanh函数：

3. ReLU函数

sigmoid和tanh有一个共同的缺点，就是当输入数据的绝对值比较大时，神经网络的学习速度就会很慢。这是因为，学习速度跟激活函数的偏导数(斜率)有关，偏导数越大，学习速度就越快。而sigmoid和tanh在输入绝对值越来越大时，斜率越来越小，直至变为0。因此，学界又提出了一个新的激活函数——ReLU（Rectified Linear Unit），即整流线性单元。 该激活函数目前被广泛使用，它具有非线性的特性，并且不会同时激活所有的神经元，在输入为负值的情况下，会输出0，也就是说有部分神经元不会被激活，从而使得网络变得稀疏，这对计算是非常有效率的。

ReLU的公式：f(x) = max(0, x) ，图形如下：

4. Leaky Relu函数

从ReLU的图形可以看出，当输入大于0时，ReLU的斜率较大，而当输入小于0时，则没有斜率。虽然在实际应用中，大多数输入数据都大于0，但为了解决斜率为0的问题，人们又提出了另外一个激活函数——Leaky ReLU，该函数最大的有点就是将0梯度去掉，代之以一个较小的非零梯度。

Leaky ReLU的函数和图形如下：

0.1也可以根据需要换成其他系数，如0.01等。

5. Softmax函数

Softmax是另一种Sigmoid函数，所不同的是，Sigmoid只能处理二分类问题，而Softmax是将输出结果映射到0~1之间，可以处理多分类问题。Softmax的公式如下：

那么如果某个输出结果是[1.2,0.9,0.75] ，使用Softmax之后，结果就变成[0.42,0.31,0.27]，这组数据可以表示输入数据对应的三个类别的概率。

6. 其他激活函数

除了以上常用的几个激活函数，还有其他的一些激活函数，大多是ReLU的变体，列举如下。

(1) CeLU（Continuously Differentiable Exponential Linear Units，连续可微指数线性单元）

 

(2) ELU（Exponential Linear Unit activation function，指数线性单元激活函数）

 

 

(3) GELU（Gaussian error linear unit activation function，高斯误差线性单元激活函数）

其中，P是标准高斯分布的累积分布函数。

(4) SeLU（Scaled exponential Linear Unit）

参考资料：MindSpore 文档