本篇文章收录于专栏【机器学习】

以下是激活函数系列的相关的所有内容:

一文搞懂激活函数在神经网络中的关键作用

逻辑回归：Sigmoid函数在分类问题中的应用

---

整流线性单位函数（Rectified Linear Unit, ReLU），又称修正线性单元，是一种人工神经网络中常用的激活函数，通常指代以斜坡函数及其变种为代表的非线性函数。

$$\text{ReLU}(x)=\max (0,x)$$
当输入 $x>0$ 时，输出等于输入；当输入 $x\le 0$ 时，输出为 0。

传统的激活函数如 Sigmoid 和 Tanh 存在梯度消失和计算效率较低的问题。ReLU 函数解决了这些问题，具有计算简单、不易出现梯度消失等特点。

应用场景

• 神经网络隐藏层：引入非线性，使网络能够学习复杂的特征表示。
• 输出层：在需要输出非负值的回归任务中使用。
• 特定任务：广泛应用于图像识别、自然语言处理等领域，如 CNN 和 RNN。

函数特点

• 控制输出范围：输出值限制在 $[0,\infty )$，防止梯度消失或爆炸。
• 引入稀疏性：许多输出为零，减少模型复杂度，提高计算效率，防止过拟合。
• 提供可导性：其导数为：
  $${\text{ReLU}}^{\prime }(x)=\{\begin{array}{ll}1& \text{if }x>0\\ 0& \text{if }x\le 0\end{array}$$

---

• 优点：
  • 计算简单，计算效率高。
  • 不易出现梯度消失问题。
  • 引入稀疏性，有助于减少模型复杂度，提高计算效率，防止过拟合。
• 缺点：
  • 神经元死亡：当 $x\le 0$ 时，导数为 0，可能导致神经元死亡。
  • 输出不以 0 为中心，可能影响梯度稳定性。

ReLU 函数的两个变体

Leaky ReLU：是 ReLU 的一个变体，在输入小于等于 0 时有一个小的非零斜率 $\alpha$，从而避免了神经元死亡问题：
$$\text{Leaky ReLU}(x)=\{\begin{array}{ll}x& \text{if }x>0\\ \alpha x& \text{if }x\le 0\end{array}$$
$\alpha$ 是一个小常数，通常取 0.01。在反向传播过程中，对于LeakyReLU激活函数输入小于 $0$ 的部分，也可以计算得到梯度(ReLU的值为0)，这样就避免了梯度方向锯齿问题。

ELU，即指数线性单元（Exponential Linear Unit），解决神经网络训练中的一些问题，如梯度消失、非连续性以及输出均值偏离零等问题。

理想的激活函数应满足两个条件：

1. 输出的分布是零均值的，加快训练速度。
2. 激活函数是单侧饱和的，更好的收敛。

LeakyReLU满足1不满足2；而ReLU满足2不满足1，ELU 都满足。

ELU：在 $x\le 0$ 时有平滑的指数衰减，解决神经元死亡问题，数学表达式为：
$$\text{ELU}(x)=\{\begin{array}{ll}x& \text{if }x>0\\ \alpha (e^x-1)& \text{if }x\le 0\end{array}$$

特点

缓解梯度消失问题：当 ( x > 0 )，ELU 函数的行为类似于ReLU，允许直接传递输入，从而避免了梯度消失的问题。
对负值的处理更加温和：与ReLU不同的是，当 ( x < 0 )，ELU 不是简单地将它们置为0，而是通过指数函数给出一个非零的输出，这有助于保持网络中的信息流动。
输出的均值更接近于零：由于其在负区间内的特性，ELU 能够帮助神经网络学习到更具有鲁棒性的特征表示，并且倾向于产生更接近于零的输出均值，这对于加速学习过程是有益的。

ELU 的导数在 $x>0$ 时为1，在 $x<0$ 时为 $\alpha \cdot e^x$。特别地，在 $x=0$ 处，通常认为其导数是连续的，取左侧或右侧极限值之一。

ELU 适用于需要减少偏移量并加快学习速度的任务，但计算上比ReLU稍微复杂一些，因为它涉及到指数运算。因此，在设计深度学习模型时，需权衡这些因素来决定最适合的激活函数。