目录
线性激活函数
阶跃激活函数
S型激活函数
双曲正切激活函数
修正线性单元
Softmax激活函数
偏置扮演什么角色？
政安晨的个人主页：政安晨
欢迎 👍点赞✍评论⭐收藏
收录专栏: 政安晨的机器学习笔记
希望政安晨的博客能够对您有所裨益，如有不足之处，欢迎在评论区提出指正！
本文目标：介绍激活函数。
在神经网络编程中，激活函数或传递函数为神经元的输出建立界限。神经网络可以使用许多不同的激活函数。我们将在本文中讨论最常见的激活函数。为神经网络选择激活函数是一个重要的考虑，因为它会影响输入数据格式化的方式。在本文中，我们将指导你选择激活函数。
线性激活函数
最基本的激活函数是线性函数，因为它根本不改变神经元输出。下面公式展示了程序通常如何实现线性激活函数：
如你所见，这个激活函数只是返回神经元输入传递给它的值。下图展示了线性激活函数的图像。
为学习提供数值的回归神经网络，通常会在其输出层使用线性激活函数。分类神经网络，即为其输入确定合适类别的神经网络，通常在其输出层使用Softmax激活函数。
阶跃激活函数
阶跃或阈值激活函数是另一种简单的激活函数。神经网络最初称为“感知机”（perceptron）。McCulloch和Pitts（1943）引入了最初的感知机，并使用了如下公式一样的阶跃激活函数：
上面公式为0.5或更高的输入值输出1，为所有其他输入值输出0。阶跃激活函数通常被称为阈值激活函数，因为它们仅对大于指定阈值的值返回1（真），如下图所示。
S型激活函数
对于仅需要输出正数的前馈神经网络，S型（Sigmoid）激活函数或逻辑激活函数是非常常见的选择。虽然它使用广泛，但双曲正切激活函数或ReLU激活函数通常是更合适的选择。我们将在后面介绍ReLU激活函数。下面公式展示了S型激活函数：
使用S型激活函数以确保值保持在相对较小的范围内，如下图所示，从图中可以看出，大于或小于0的值都会被压缩到0～1的范围内。
双曲正切激活函数
对于必须输出−1～1的值的神经网络，双曲正切（tanh）激活函数也是非常常见的激活函数，如下公式所示：
双曲正切激活函数图像的形状类似S型激活函数，图像的形状如下图所示：
双曲正切激活函数相对S型激活函数具有诸多优点。这些优点涉及神经网络训练中使用的导数，我们以后在“反向传播训练”中介绍。
修正线性单元
修正线性单元（ReLU）由Teh和Hinton在2000年引入，在过去几年中得到了迅速的应用。在ReLU激活函数之前，双曲正切激活函数通常被视为优先选择的激活函数。由于出色的训练结果，目前大多数最新研究都推荐ReLU激活函数。因此，大多数神经网络应该在隐藏层上使用ReLU激活函数，在输出层上使用Softmax或线性激活函数。
下面公式展示了非常简单的ReLU激活函数：
现在，我们将研究为什么ReLU激活函数通常比隐藏层的其他激活函数要好。性能提高的部分原因在于ReLU激活函数是线性的非饱和激活函数。与S型激活函数/逻辑激活函数或双曲正切激活函数不同，ReLU不会饱和到−1、0或1。饱和激活函数总是朝向并最终获得一个值。如双曲正切激活函数在x减小时饱和到−1，在x增大时饱和到1。
下图展示了ReLU激活函数的图像：
最新研究表明，神经网络的隐藏层应使用ReLU激活函数。
Softmax激活函数
与线性激活函数一样，通常会在神经网络的输出层中找到Softmax激活函数。Softmax激活函数用于分类神经网络。分类神经网络中，具有最高值的神经元可以宣称神经网络的输入属于它的分类。因为它是一种更好的方法，所以Softmax激活函数会强制神经网络的输出表示输入落入每个类的概率。如果没有Softmax激活函数，则神经元的输出就是数值，值最高的数表示获胜的类。
为了了解如何使用Softmax激活函数，我们来研究一个常见的神经网络分类问题。
鸢尾花数据集包含针对150种不同鸢尾花的4个测量值。这些花中的每一种都属于3个鸢尾花物种之一。当你提供花朵的测量值时，Softmax激活函数允许神经网络为你提供这些测量值属于这3个物种的概率。如神经网络可能会告诉你，该鸢尾花有80%的概率是setosa，有15%的概率是virginica，只有5%的概率是versicolour。因为这些是概率，所以它们的总和必须是100%。不可能同时有80%的概率是setosa、75%的概率是virginica、20%的概率是versicolour——这种结果是毫无意义的。
要将输入数据分为3个鸢尾花物种之一，则对于这3个物种中的每一个，你都需要一个输出神经元。输出神经元并不指定这3个物种各自的概率。因此，我们期望提供的这些概率总和为100%。而神经网络将告诉你，花朵属于这3个物种中每一个的概率。
要获得概率，请使用下面公式中的Softmax函数：
Softmax激活函数的计算方法与咱们前面介绍的其他激活函数不同。在使用Softmax作为激活函数时，单个神经元的输出取决于其他输出神经元。
下面是用伪代码实现了Softmax激活函数：
def softmax(neuron_output):
sum = 0
for v in neuron_output:
sum = sum + v
sum = math.exp(sum)
proba = [ ]
for i in range(len(neuron_output)):
proba[i] = math.exp(neuron_output[i])/sum
return proba请考虑一个训练好的神经网络，它将数据分为三类，如3个鸢尾花物种。在这种情况下，你将为每个目标分类使用一个输出神经元。请考虑神经网络要输出以下内容：
Neuron 1: setosa: 0.9
Neuron 2: versicolour: 0.2
Neuron 3: virginica: 0.4
从上面的输出中我们可以清楚地看到，神经网络认为数据代表了setosa鸢尾花。但是，这些值不是概率。值0.9不表示数据有90%的概率代表setosa。这些值的总和为1.5。要将它们视为概率，它们的总和必须为1。
该神经网络的输出向量如下：
[0.9, 0.2, 0.4]
如果将此向量提供给Softmax激活函数，则返回以下向量：
[0.47548495534876745, 0.2361188410001125, 0.28839620365112]
以上3个值的总和为1，可以视为概率。由于向量中的第一个值四舍五入为0.48（48%），因此数据表示setosa的概率为48%。你可以通过以下方式计算该值：
sum=exp(0.9)+exp(0.2)+exp(0.4)=5.17283056695839 j0=exp(0.9)/sum=0.47548495534876745 j1=exp(0.2)/sum=0.2361188410001125 j2=exp(0.4)/sum=0.28839620365112
偏置扮演什么角色？
在上文中看到的激活函数指定了单个神经元的输出。神经元的权重和偏置（bias）共同决定了激活的输出，以产生期望的输出。要查看这个过程如何发生，请考虑下面公式。它表示了单输入的S型激活神经网络：
变量x表示神经网络的单个输入。w和b变量指定了神经网络的权重和偏置。上面公式是一种组合，包含了指定神经网络的公式和指定S型激活函数的公式。
通过调整神经元的权重可以调整激活函数的斜率或形状。下图展示了权重变化对S型激活函数输出的影响：
下图展示了使用以下参数的多个S型曲线：
f(x, 0.5, 0.0)
f(x, 1.0, 0.0)
f(x, 1.5, 0.0)
f(x, 2.0, 0.0)
为了生成这些曲线，我们没有使用偏置，这很显然，因为每种情况下第3个参数都是0。使用4个权重值会在上图中产生4条不同的S型曲线。无论权重如何，当x为0时我们总是得到相同的值0.5，因为当x为0时所有曲线都到达同一点。当输入接近0.5时，我们可能需要神经网络产生其他值。
调整偏置会使S型曲线发生移动，这使得当x接近0时，该函数取值不为0.5。下图展示了权重为1.0时，偏置变化对S型激活函数输出的影响。
下图展示了具有以下参数的多条S型曲线：
f(x, 1.0, 1.0)
f(x, 1.0, 0.5)
f(x, 1.0, 1.5)
f(x, 1.0, 2.0)
这些函数的权重均为1.0。当我们调整不同的偏置时，S型曲线向左或向右移动。由于所有曲线在右上角或左下角发生合并，因此并不是完全的移位。当我们将偏置和权重放在一起时，它们生成了一条曲线，该曲线创建了神经元所需的输出。
以上曲线仅是一个神经元的输出。在一个完整的神经网络中，许多不同神经元的输出将合并，以产生复杂的输出模式。
