机器学习—选择激活函数

可以为神经网络中的不同神经元选择激活函数，我们将从如何为输出层选择它的一些指导开始，事实证明，取决于目标标签或地面真相标签y是什么，对于输出层的激活函数，将有一个相当自然的选择，然后看看激活函数的选择，也适用于神经网络的隐藏层。

可以为神经网络中的不同神经元选择不同的激活函数，在考虑输出层的激活函数时，往往是一个相对自然的选择，取决于地面真相标签Y的具体目标是什么，如果正在处理一个分类问题，其中y为0或1，所以一个二进制分类问题，那么Z状结肠激活功能几乎总是最自然的选择，因为神经网络学习预测y=1的概率，就像逻辑回归。如果你在研究二进制分类问题，在输出层使用Z状结肠，如果解决一个回归问题，可以选择不同的激活函数，例如，如果试图预测明天的股票价格将如何变化，与今天的股价相比，它可以上升也可以下降，所以在这种情况下，y是一个数字，可以是正的，也可以是负的，在这种情况下，建议使用线性激活函数，G或Z可以具有正值或负值，使用线性激活函数，最后如果y只能取非负值，比如，你预测的房价永远不会是负值，那么最自然的选择就是Relu激活功能，因为此激活函数只接受非负值，即零值或正值，因此，当选择用于输出层的激活函数时，通常取决于标签Y是什么，你想预测，会有一个很自然的选择，对于神经网络的输出层也是如此。

对于神经网络的隐藏层，Relu激活函数是迄今为止许多人训练神经网络的最常见的选择，尽管最初用Z状结肠激活函数描述了神经网络，事实上，在神经网络发展的早期历史中，人们在许多地方使用z状结肠激活功能，这个领域已经发展到更经常地使用relu，而Z状结肠几乎从来没有，除了一个例外，确实在输出层中使用了Z状结肠激活函数。

如果比较一下Relu和Z状结肠激活函数，Relu的计算速度更快一点，因为它只需要计算(0,z)的最大值，而Z状结肠需要取一个指数，然后取一个逆，以此类推，所以效率有点低，更重要的是，Relu函数只在图的一部分变得平坦，左边这里完全是平的，Z状结肠激活功能，在两个地方变平，在图的左边，它平移到图的右边，如果用梯度下降来训练神经网络，当你有一个函数在很多地方都是平坦的，梯度下降会很慢，梯度下降优化了WB的成本函数J，而不是优化激活功能，但是激活函数是计算中的一部分，这导致在wb的成本函数j中有更多的位置，也是平的，坡度小，学习速度慢，研究人员发现，使用relu激活函数可以使你的神经网络学习得更快一点，如果你想决定隐藏层使用什么激活功能，Relu激活功能已经成为迄今为止最常见的选择。

总结一下，对于输出层，使用Z状结肠，如果有二进制分类问题，线性，如果y是一个可以具有正值或负值的数，或者使用relu，如果y只能取正值或零正值或非负值，对于隐藏的图层，只使用relu作为默认激活函数，在张量流中，与其说激活等于Z状结肠，对于隐藏的图层，要求TensorFlow使用relu激活函数，然后对于输出层，它使用Z状结肠激活功能，但是如果使用线性激活函数，该函数显示了它的语法。

有了这组更丰富的激活函数，将会很好的建立比上一次更强大的神经网络，仅使用Z状结肠激活功能。