【卷积神经网络】12、激活函数 | Tanh / Sigmoid / ReLU / Leaky ReLU / ELU / SiLU / Mish

article/2025/9/21 18:38:44

文章目录

一、Tanh
二、Sigmoid
三、ReLU
四、Leaky ReLU
五、ELU
六、SiLU
七、Mish

本文主要介绍卷积神经网络中常用的激活函数及其各自的优缺点

在这里插入图片描述

最简单的激活函数被称为线性激活，其中没有应用任何转换。一个仅由线性激活函数组成的网络很容易训练，但不能学习复杂的映射函数。线性激活函数仍然用于预测一个数量的网络的输出层(例如回归问题)。

非线性激活函数是更好的，因为它们允许节点在数据中学习更复杂的结构。两个广泛使用的非线性激活函数是 sigmoid 函数和双曲正切激活函数。

在这里插入图片描述

一、Tanh

在这里插入图片描述

Tanh 函数公式如下，数值范围在 (-1, 1)，导数范围为 (0, 1]

Tanh 函数的优点：

以 0 为中心，能够达到正负平衡，避免出现梯度的不稳定性

Tanh 函数的缺点：

会导致梯度消失问题!

二、Sigmoid

在这里插入图片描述

Sigmoid 函数公式如下，数值范围为 (0, 1)，导数范围为 (0, 0.25]：

$\frac{1}{1+e^{-z}}$

sigmoid 函数优点：

可以把输入映射到 (0, 1)区间，可以用来表示概率，在物理意义上最为接近生物神经元

sigmoid 函数缺点：

梯度消失问题：由于 sigmoid 的导数 f′(zl) 区间为 (0, 0.25]，所以其极易落入饱和区，导致梯度非常小，权重接近不变，无法正常更新
sigmoid 的输出并不是均值为 0 的，所有输出数据的大于0，会增加梯度的不稳定性
当输出接近饱和或剧烈变化时，对输出范围的这种缩减往往会带来一些不利影响

三、ReLU

在这里插入图片描述

$\text{max}(0, x)$

ReLU 函数的优点：

摒弃了复杂的计算, 比 sigmoid/tanh 收敛的更快 (大概快 6x)
其导数在其权重和(z) 大于 0 的时候为 1，不存在梯度消失现象权重可以正常更新，但也要防止 ReLU 的梯度爆炸

ReLU 函数的缺点：

小于 0 的输出经过 ReLU 之后会全都变成 0，梯度值为0，从而权重无法正常更新
输出具有偏移现象，即输出均值恒大于零
当使用了较大的学习速率时，易受到饱和的神经元的影响。

四、Leaky ReLU

在这里插入图片描述

公式如下：

$\alpha x, \ x<0$
$\ x>=0$

为了防止模型 dead 的情况，出现了很多 ReLU 的改进版本，如 Leaky ReLU，在 0 右侧和 ReLU 一样，左侧从全零变成了一个斜率很小的直线

优点：

避免了小于零的特征被处理为 0 导致特征丢失的情况，同时左右两侧梯度都是恒定的，不会出现梯度消失现象

缺点：

Leaky ReLU中的 $\alpha$ 为常数，一般设置 0.01。这个函数通常比 ReLU 激活函数效果要好，但是效果不是很稳定，所以在实际中 Leaky ReLU 使用的并不多。

五、ELU

在这里插入图片描述

ELU（Exponential Linear Unit，指数线性单元）尝试加快学习速度。基于ELU，有可能得到比ReLU更高的分类精确度。

优点：

解决了 ReLU 可能导致的网络 dead 的问题

缺点：

计算量较大

六、SiLU

在这里插入图片描述

$*\text{sigmoid}(\beta x)$ ， $\beta=1$ 时就是 SiLU

优点：

相比 ReLU 增加了平滑性的特点

缺点：

引入了指数计算，增加了计算量

七、Mish

在这里插入图片描述

$\text{tanh}(\text{ln}(1+e^x))$

优点：

平滑、非单调、无上界、有下界

缺点：

引入了指数函数，增加了计算量

绘图代码：

import matplotlib.pyplot as plt
import numpy as np
import math
#
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False## sigmoid
def sigmoid(x):return 1 / (1 + np.exp(-x))
x1 = np.arange(-10.0, 10.0, 0.1)
y1 = sigmoid(x1)
plt.plot(x1, y1, color='purple', label='sigmoid')
plt.legend()## ReLU
def ReLU(x):return np.maximum(0, x)  # ReLU函数的定义
x2 = np.arange(-10.0, 10.0, 0.1)
y2 = ReLU(x2)
plt.plot(x2, y2, color='orange', label='ReLU')
plt.legend()## tanh
def tanh(x):return (np.exp(x) - np.exp(-x)) / (np.exp(x) + np.exp(-x))
x3 = np.arange(-10.0, 10.0, 0.1)
y3 = tanh(x3)
plt.plot(x3, y3, color='yellow', label='Taanh')
plt.legend()## Leaky ReLU
def Leaky_ReLU(xx):return [x if x > 0 else 0.1 * x for x in xx]
x4 = np.arange(-10, 10.0, 0.1)
y4 = Leaky_ReLU(x4)
plt.plot(x4, y4, color='black', label='Leaky ReLU(alpha=0.1)')
plt.legend()## ELU
def ELU(xx):return [x if x > 0 else 1 * (np.exp(x) - 1) for x in xx]
x5 = np.arange(-10.0, 10.0, 0.1)
y5 = ELU(x5)
plt.plot(x5, y5, color='green', label='ELU(alpha=1)')
plt.legend()# silu
def SiLU(xx):return [x * (1 / (1 + np.exp(-x))) for x in xx]
x6 = np.arange(-10.0, 10.0, 0.1)
y6 = SiLU(x6)
plt.plot(x6, y6, color='red', label='SiLU')
plt.legend()## Mish
def Mish(xx):return [x * tanh(np.log(1 + np.exp(x))) for x in xx]
def tanh(x):return (np.exp(x) - np.exp(-x)) / (np.exp(x) + np.exp(-x))
x7 = np.arange(-10.0, 10.0, 0.1)
y7 = Mish(x7)
plt.plot(x7, y7, color='pink', label='Mish')
plt.legend()# 获得当前的axis
ax = plt.gca()
# 设置图像的上边、右边axis为无色
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')# 设置x轴坐标在下部
ax.xaxis.set_ticks_position('bottom')
# 设置x轴位于图像y=0处
ax.spines['bottom'].set_position(('data', 0))
# 设置x轴坐标在左部
ax.yaxis.set_ticks_position('left')
# 设置y轴位于图像x=0处
ax.spines['left'].set_position(('data', 0))
plt.show()