【漫话机器学习系列】088.常见的输出层激活函数（Common Output Layer Activation Functions）

原创已于 2025-02-10 10:44:59 修改 · 1.2k 阅读

12 ·

CC 4.0 BY-SA版权

文章标签：

#机器学习 #人工智能 #激活函数

于 2025-02-10 10:42:45 首次发布

漫话机器学习系列专辑专栏收录该内容

277 篇文章

订阅专栏

部署运行你感兴趣的模型镜像

在神经网络中，输出层（Output Layer） 的激活函数（Activation Function）直接决定了模型的输出形式，并影响损失函数的选择及训练效果。不同的任务类型（如分类或回归）需要使用不同的激活函数，以确保输出结果符合问题要求。

本文将详细介绍 二元分类（Binary Classification）、多分类（Multi-class Classification）和回归（Regression）任务中常用的输出层激活函数，并提供相应的代码示例。

1. 输出层激活函数概述

根据任务类型，输出层常用的激活函数如下：

任务类型	常见激活函数	输出值范围
二元分类	`sigmoid`	(0,1)
多分类	`softmax`	(0,1) 且所有类别概率之和为 1
回归	无激活函数（线性输出）	(-∞, +∞)

接下来，我们分别介绍这些激活函数的作用、数学公式、特点及代码实现。

2. 二元分类：Sigmoid 函数

2.1 介绍

Sigmoid 函数常用于二元分类问题，其数学公式如下：

$\sigma(x) = \frac{1}{1 + e^{-x}}$

该函数将输出值映射到 (0,1) 之间，适用于概率预测。
若 $\sigma(x) > 0.5$ ，通常预测为正类（1），否则为负类（0）。

2.2 代码示例

PyTorch 实现二元分类

import torch
import torch.nn as nn
import torch.optim as optim


# 定义二元分类模型
class BinaryClassifier(nn.Module):  # 二元分类模型
    def __init__(self):  # 初始化模型
        super(BinaryClassifier, self).__init__()  # 继承父类
        self.fc = nn.Linear(2, 1)  # 2个输入特征，1个输出（概率）

    def forward(self, x):  # 前向传播
        return torch.sigmoid(self.fc(x))  # Sigmoid 激活函数


# 定义损失函数和优化器
model = BinaryClassifier()  # 创建模型
criterion = nn.BCELoss()  # 二元交叉熵损失
optimizer = optim.SGD(model.parameters(), lr=0.1)  # 优化器

# 生成示例数据
inputs = torch.tensor([[1.0, 2.0], [2.0, 3.0], [3.0, 1.0]], dtype=torch.float32)  # 输入特征
labels = torch.tensor([[1.0], [0.0], [1.0]], dtype=torch.float32)  # 标签

# 训练模型
for epoch in range(100):  # 训练100个周期
    optimizer.zero_grad()  # 清空梯度
    outputs = model(inputs)  # 前向传播
    loss = criterion(outputs, labels)  # 计算损失
    loss.backward()  # 反向传播
    optimizer.step()  # 更新参数

    if epoch % 10 == 0:  # 每10个周期输出一次损失
        print(f'Epoch [{epoch}/100], Loss: {loss.item():.4f}')  # 输出损失

运行结果

Epoch [0/100], Loss: 1.1413
Epoch [10/100], Loss: 0.5956
Epoch [20/100], Loss: 0.5529
Epoch [30/100], Loss: 0.5320
Epoch [40/100], Loss: 0.5160
Epoch [50/100], Loss: 0.5033
Epoch [60/100], Loss: 0.4927
Epoch [70/100], Loss: 0.4835
Epoch [80/100], Loss: 0.4753
Epoch [90/100], Loss: 0.4679

2.3 适用场景

垃圾邮件检测（垃圾邮件 vs. 非垃圾邮件）
疾病预测（有病 vs. 无病）
金融欺诈检测（欺诈 vs. 正常交易）

3. 多分类：Softmax 函数

3.1 介绍

Softmax 函数用于多分类任务，其数学公式如下：

$\text{Softmax}(x_i) = \frac{e^{x_i}}{\sum_{j=1}^{n} e^{x_j}}$

特点：
- 归一化所有输出值，使其总和等于 1（形成概率分布）。
- 适用于独占类别（Mutually Exclusive Classes）的分类任务。

3.2 代码示例

PyTorch 实现多分类

import torch
import torch.nn as nn
import torch.optim as optim


class MultiClassClassifier(nn.Module):  # 多分类模型
    def __init__(self, input_dim, num_classes):  # 输入维度和类别数
        super(MultiClassClassifier, self).__init__()  # 继承父类初始化方法
        self.fc = nn.Linear(input_dim, num_classes)  # 线性层
        self.fc.weight.data.normal_(0, 0.01)  # 初始化权重

    def forward(self, x):  # 前向传播
        return torch.softmax(self.fc(x), dim=1)  # Softmax 归一化


# 定义模型、损失函数和优化器
model = MultiClassClassifier(input_dim=3, num_classes=4)  # 创建模型
criterion = nn.CrossEntropyLoss()  # 交叉熵损失函数
optimizer = optim.Adam(model.parameters(), lr=0.01)  # Adam 优化器

# 生成示例数据（假设有3个特征，4个类别）
inputs = torch.tensor([[1.0, 2.0, 3.0], [2.0, 1.0, 3.0]], dtype=torch.float32)  # 输入特征
labels = torch.tensor([1, 3])  # 类别索引（0-3）

# 训练模型
for epoch in range(100):  # 训练100个周期
    optimizer.zero_grad()  # 清空梯度
    outputs = model(inputs)  # 前向传播
    loss = criterion(outputs, labels)  # 计算损失
    loss.backward()  # 反向传播
    optimizer.step()  # 更新参数

    if epoch % 10 == 0:  # 每10个周期打印一次损失
        print(f'Epoch [{epoch}/100], Loss: {loss.item():.4f}')  # 打印损失

运行结果

Epoch [0/100], Loss: 1.3481
Epoch [10/100], Loss: 1.2146
Epoch [20/100], Loss: 1.1262
Epoch [30/100], Loss: 1.0629
Epoch [40/100], Loss: 1.0134
Epoch [50/100], Loss: 0.9731
Epoch [60/100], Loss: 0.9401
Epoch [70/100], Loss: 0.9131
Epoch [80/100], Loss: 0.8909
Epoch [90/100], Loss: 0.8727

3.3 适用场景

手写数字识别（MNIST，类别 0-9）
图像分类（狗、猫、鸟等）
情感分析（积极、中性、消极）

4. 回归：无激活函数（线性输出）

4.1 介绍

在回归任务中，目标是预测连续数值，因此输出层通常不使用激活函数，保持线性输出：

$y = w \cdot x + b$

预测值范围为(-∞, +∞)，不受激活函数限制。

4.2 代码示例

PyTorch 实现回归

import torch
import torch.nn as nn
import torch.optim as optim


class RegressionModel(nn.Module):  # 线性回归模型
    def __init__(self):  # 初始化模型
        super(RegressionModel, self).__init__()  # 继承父类
        self.fc = nn.Linear(1, 1)  # 单输入单输出

    def forward(self, x):  # 前向传播
        return self.fc(x)  # 线性输出，无激活函数


# 定义模型、损失函数和优化器
model = RegressionModel()  # 创建模型
criterion = nn.MSELoss()  # 均方误差损失
optimizer = optim.SGD(model.parameters(), lr=0.01)  # 随机梯度下降优化器

# 生成示例数据
inputs = torch.tensor([[1.0], [2.0], [3.0]], dtype=torch.float32)  # 输入 x
targets = torch.tensor([[2.0], [4.0], [6.0]], dtype=torch.float32)  # 目标 y = 2x

# 训练模型
for epoch in range(100):  # 训练100个周期
    optimizer.zero_grad()  # 梯度清零
    outputs = model(inputs)  # 前向传播
    loss = criterion(outputs, targets)  # 计算损失
    loss.backward()  # 反向传播
    optimizer.step()  # 更新参数

    if epoch % 10 == 0:  # 每10个周期打印一次损失
        print(f'Epoch [{epoch}/100], Loss: {loss.item():.4f}')  # 输出损失

运行结果

Epoch [0/100], Loss: 18.9413
Epoch [10/100], Loss: 1.8053
Epoch [20/100], Loss: 0.1735
Epoch [30/100], Loss: 0.0181
Epoch [40/100], Loss: 0.0032
Epoch [50/100], Loss: 0.0017
Epoch [60/100], Loss: 0.0015
Epoch [70/100], Loss: 0.0014
Epoch [80/100], Loss: 0.0013
Epoch [90/100], Loss: 0.0013

4.3 适用场景

房价预测
股票价格预测
销量预测

5. 结论

任务类型	激活函数	适用损失函数
二元分类	Sigmoid	二元交叉熵（BCELoss）
多分类	Softmax	交叉熵损失（CrossEntropyLoss）
回归	无激活函数	均方误差（MSELoss）