**函数总结(sigmoid、tanh、RELU、LRel、PReLU、ELU、GELU和SELUS)
sigmoid函数
特点:函数值介于(0,1)之间,x在负无穷和正无穷之间。
缺点:
1、有饱和区域,是软饱和,在大的正数和负数作为输入的时候,梯度就会变成零,使得神经元基本不能更新。
2、只有正数输出(不是zero-centered),这就导致所谓的zigzag现象
3、计算量大(exp)
tanh(x)
函数值介意(-1,1)之间。tanh和sigmoid函数是具有一定的关系的,可以从公式中看出,它们的形状是一样的,只是尺度和范围不同。tanh是zero-centered,但是还是会饱和。
RELU
CNN中常用。对正数原样输出,负数直接置零。在正数不饱和,在负数硬饱和。relu计算上比sigmoid或者tanh更省计算量,因为不用exp,因而收敛较快。能够帮助解决sigmoid随着层数的增加梯度衰减现象。但是还是非zero-centered。
relu在负数区域被kill的现象叫做dead relu,这样的情况下,有人通过初始化的时候用一个稍微大于零的数比如0.01来初始化神经元,从而使得relu更偏向于**而不是死掉,但是这个方法是否有效有争议。
参考文献:Deep Sparse Rectifier Neural Networks
函数值介于
LREL
为了解决上述的dead ReLU现象。这里选择一个数,让负数区域不在饱和死掉。这里的斜率都是确定的。
参考文献:Rectifier Nonlinearities Improve Neural Network Acoustic Models
PReLU
f(x) = max(ax,x),但是这里的a不是固定下来的,而是可学习的。
ELU
具有relu的优势,且输出均值接近零,实际上prelu和LeakyReLU都有这一优点。有负数饱和区域,从而对噪声有一些鲁棒性。可以看做是介于relu和LeakyReLU之间的一个东西。当然,这个函数也需要计算exp,从而计算量上更大一些。
GELU
在神经网络的建模过程中,模型很重要的性质就是非线性,同时为了模型泛化能力,需要加入随机正则,例如dropout(随机置一些输出为0,其实也是一种变相的随机非线性**), 而随机正则与非线性**是分开的两个事情, 而其实模型的输入是由非线性**与随机正则两者共同决定的
SELUS
SNN脉冲神经网络拥有一个映射g:映射一个层到另一个层的均值和方差,那么这个函数就是自归一化。SNN方差不大,对扰动更健壮,并且学习速度更快。
参考文献:Self-NormalizingNeuralNetworks