神经网络激活函数定义速查

【DL经典回顾】激活函数大汇总(二)(ELU&SELU附代码和详细公式) ELU(Exponential Linear Unit)和 SELU(Scaled Exponential Linear Unit)激活函数都是为了解决ReLU及其变体(如Leaky ReLU和PReLU)在深度学习应用中遇到的问题而设计的。尽管它们共享一些共同的优势,但也各自有特定的优缺点。本文介绍这两种激活函数。 阅读详情

在这里插入图片描述

一、概述

老猿记心不太好,虽然最近写了两篇博文介绍激活函数:神经网络激活函数列表大全及keras中的激活函数定义:https://blog.youkuaiyun.com/LaoYuanPython/article/details/142731106》、《神经网络高级激活函数大全及keras中的函数定义 https://blog.youkuaiyun.com/LaoYuanPython/article/details/142742719》的介绍,但一到用时就忘记了相关函数的定义,且从这2篇博文翻阅时因内容多比较耗时,因此决定再整理一个激活函数的定义列表。

二、激活函数定义大全

  1. 线性函数linear:该函数不做任何处理,保持原值不变;
  2. 整流线性单元relu:f(x)=max(0,x);
  3. 线性指数激活函数elu: e l u ( x ) = { x if  x > 0 α ∗ ( e x − 1 ) if  x ≤ 0 elu(x) = \{ \begin{array}{ll} x & \text{if } x > 0 \\ \alpha * (e^x-1) & \text{if } x \leq 0 \end{array} elu(x)={xα∗(ex−1)​if x>0if x≤0​
  4. 可伸缩指数线性单元SELU: S E L U ( x ) = s c a l e × { x if  x > 0 a l p h a ∗ ( e x − 1 ) if  x ≤ 0 SELU(x) = scale × \{ \begin{array}{ll} x & \text{if } x > 0 \\ alpha * (e^x-1) & \text{if } x \leq 0 \end{array} SELU(x)=scale×{xalpha∗(ex−1)​if x>0if x≤0​
  5. softmax函数: s o f t m a x ( x i ) = e x i ∑ j e x j softmax(x_i) = \frac{e^{x_i}}{\sum_{j} e^{x_j}} softmax(xi​)=∑j​exj​exi​​
  6. softplus函数: Softplus ( x ) = ln ⁡ ( 1 + e x ) \text{Softplus}(x) = \ln(1 + e^x) Softplus(x)=ln(1+ex)
  7. softsign函数: Softsign ( x ) = x 1 + ∣ x ∣ \text{Softsign}(x) = \frac{x}{1 + |x|} Softsign(x)=1+∣x∣x​
  8. sigmoid函数: σ ( x ) = 1 1 + e − x σ(x) = \frac{1}{1 + e^{-x}} σ(x)=1+e−x1​
  9. hard_sigmoid函数: Hard Sigmoid ( x ) = { 0 if  x < − 2.5 1 if  x > 2.5 0.2 x + 0.5 − 2.5 ≤ x ≤ 2.5 \text{Hard Sigmoid}(x) = \begin{cases} 0 & \text{if } x < -2.5 \\ 1 & \text{if } x > 2.5 \\ 0.2x + 0.5 & -2.5 \leq x \leq 2.5\end{cases} Hard Sigmoid(x)=⎩ ⎨ ⎧​010.2x+0.5​if x<−2.5if x>2.5−2.5≤x≤2.5​
  10. 自然数指数激活函数exponential: f ( x ) = e x f(x) = e^x f(x)=ex
  11. 双曲正切激活函数(tanh): tanh ⁡ ( x ) = sinh ⁡ ( x ) cosh ⁡ ( x ) = e x − e − x e x + e − x \tanh(x) = \frac{\sinh(x)}{\cosh(x)} = \frac{e^x - e^{-x}}{e^x + e^{-x}} tanh(x)=cosh(x)sinh(x)​=ex+e−xex−e−x​
  12. LeakyReLU:LeakyReLU(x)=max(0,x)+α×min(0,x),α值为固定的浮点数
  13. PReLU:PReLU(x,α ) = max(0,x)+αmin(0,x),α值是一个可学习的数组,维度大小与输入数据相同
  14. ThresholdedReLU带阈值的修正线性单元: T h r e s h o l d e d R e L U ( x , θ ) = { x if x > θ  0 otherwise ThresholdedReLU(x,θ) = \{ \begin{array}{ll} x & \text{if x > θ }\\0 &\text{otherwise} \end{array} ThresholdedReLU(x,θ)={x0​if x > θ otherwise​

三、小结

本文简约介绍了神经网络常用的激活函数计算公式,可以用于不记得激活函数定义者速查。

更多人工智能知识学习请关注专栏《零基础机器学习入门》后续的文章。

更多人工智能知识学习过程中可能遇到的疑难问题及解决办法请关注专栏《机器学习疑难问题集》后续的文章。

写博不易,敬请支持:

如果阅读本文于您有所获,敬请点赞、评论、收藏,谢谢大家的支持!

关于老猿的付费专栏

  1. 付费专栏《https://blog.youkuaiyun.com/laoyuanpython/category_9607725.html 使用PyQt开发图形界面Python应用》专门介绍基于Python的PyQt图形界面开发基础教程,对应文章目录为《 https://blog.youkuaiyun.com/LaoYuanPython/article/details/107580932 使用PyQt开发图形界面Python应用专栏目录》;
  2. 付费专栏《https://blog.youkuaiyun.com/laoyuanpython/category_10232926.html moviepy音视频开发专栏 )详细介绍moviepy音视频剪辑合成处理的类相关方法及使用相关方法进行相关剪辑合成场景的处理,对应文章目录为《https://blog.youkuaiyun.com/LaoYuanPython/article/details/107574583 moviepy音视频开发专栏文章目录》;
  3. 付费专栏《https://blog.youkuaiyun.com/laoyuanpython/category_10581071.html OpenCV-Python初学者疑难问题集》为《https://blog.youkuaiyun.com/laoyuanpython/category_9979286.html OpenCV-Python图形图像处理 》的伴生专栏,是笔者对OpenCV-Python图形图像处理学习中遇到的一些问题个人感悟的整合,相关资料基本上都是老猿反复研究的成果,有助于OpenCV-Python初学者比较深入地理解OpenCV,对应文章目录为《https://blog.youkuaiyun.com/LaoYuanPython/article/details/109713407 OpenCV-Python初学者疑难问题集专栏目录 》
  4. 付费专栏《https://blog.youkuaiyun.com/laoyuanpython/category_10762553.html Python爬虫入门 》站在一个互联网前端开发小白的角度介绍爬虫开发应知应会内容,包括爬虫入门的基础知识,以及爬取优快云文章信息、博主信息、给文章点赞、评论等实战内容。

前两个专栏都适合有一定Python基础但无相关知识的小白读者学习,第三个专栏请大家结合《https://blog.youkuaiyun.com/laoyuanpython/category_9979286.html OpenCV-Python图形图像处理 》的学习使用。

对于缺乏Python基础的同仁,可以通过老猿的免费专栏《https://blog.youkuaiyun.com/laoyuanpython/category_9831699.html 专栏:Python基础教程目录)从零开始学习Python。

如果有兴趣也愿意支持老猿的读者,欢迎购买付费专栏。

老猿Python,跟老猿学Python!

☞ ░ 前往老猿Python博文目录 https://blog.youkuaiyun.com/LaoYuanPython ░
深度学习算法速查手册 简介:“人工智能小抄表全集”是为学习者提供深度学习算法理解和应用的工具。集合内容涵盖了从卷积神经网络(CNN)到深度强化学习(Deep RL)的多种关键算法,每种算法都通过小抄表的形式精炼了其结构、参数、优缺点及适用场景。这本手册旨在帮助读者快速掌握深度学习的核心知识,并在实践中灵活运用。 阅读详情

相关推荐

Windows系统下com0com虚拟串口安装与驱动签名禁用全攻略

本文详细介绍了在Windows系统下安装com0com虚拟串口工具的全过程,包括驱动签名问题的解决方法。通过禁用驱动程序强制签名,用户可以顺利安装并使用这款开源工具创建虚拟串口对,适用于软件开发测试、硬件调试等场景。文章还提供了验证虚拟串口功能的实用技巧和常见问题解决方案。

weixin_28720573的博客 382

机器学习中的数学——激活函数(五):ELU函数

ELU 的提出也解决了ReLU 的问题。与ReLU相比,ELU有负值,这会使激活的平均值接近零。均值激活接近于零可以使学习更快,因为它们使梯度更接近自然梯度。 ELU(x)={x,x>0α(ex−1),x≤0 ELU(x)=\left\{ \begin{aligned} x & \quad ,x > 0 \\ \alpha(e^x - 1) & \quad , x\leq 0\\ \end{aligned} \right. ELU(x)={xα(ex−1)​,x>0,x≤0

冯·诺依曼 5万+

轻量级NAS的隐秘战场:比特米盒CumeBox2与CasaOS的生态融合实践

本文探讨了比特米盒CumeBox2轻量级NAS设备与CasaOS操作系统的生态融合实践。通过硬件选型、系统部署、性能优化和应用场景分析,展示了如何将CumeBox2与CasaOS深度整合,打造经济实用的家庭数据管理中心,特别适合入门级用户和小型办公环境。

rl6adventurer的博客 890

【Pytorch】功能性模块:(8)一文理解常用激活函数(Sigmoid,ReLU,ELU,GELU...)

一文理解常用激活函数 1. Sigmoid 公式: Sigmoid(x)=11+exp⁡(−x)\text{Sigmoid}(x) = \frac{1}{1 + \exp(-x)}Sigmoid(x)=1+exp(−x)1​ Sigmoid的函数形状如下图所示: 对应的导数形式如下图所示: Sigmoid函数的优点: 便于求导,可以看到Sigmoid的梯度是平滑的函数 能够压缩数据,数据会压缩在0-1之间 适合用于前向传播 Sigmoid函数的缺点: 容易出现梯度消失 Sigmoid的输出不是0均

Felaim的博客 3689

sentinel滑动时间窗口算法学习

滑动时间窗口 先不说sentinel的算法实现,先说什么是滑动时间窗口, 我们在进行限流的时候,比如通过QPS进行限流,那假如我们以秒为单位,举个例子: 我设置了限流规则,qps是10 如果不使用滑动窗口算法,在统计qps的时候,就有可能会有问题,比如: 在0 - 500ms中的请求数是0,但是在500ms - 1000 ms的请求数是10;在1000ms - 1500ms 之间又进来了5个请求,此时只判断了1000ms - 2000 ms之间的请求数 因为没有把1S进行拆分多个窗口,所以在1000ms之后

小小少年的博客 3979

LayaBox CommandBuffer描边使用详细

项目需要使用LayaBox做一个给3D物体动态描边的一个功能,前前后后踩了一些坑算是把这个东西给做出来了把我改好的代码贴上,分享给大家。 (1)想要使用描边你的引擎版本必须 >=2.9.0 (2)你必须下载 Laya官方的BlurShader库才能使用这个功能,下载地址:https://github.com/layabox/layaair-demo/tree/master/h5/3d/ts/LayaAir3D_PostProcess/BlurShader 下载完之后把BlurShader放到自己项目的

小智队长 1732

神经网络的激活函数(四)ELU和它的变种SELU

ELU(Exponential Linear Unit,指数线性单元)激活函数是为了进一步改进ReLU及其变体(如Leaky ReLU和PReLU)的性能而提出的。ELU旨在解决ReLU的一些固有问题,特别是负区间的特性和输出均值的偏移。

深数研究院 1844

LabVIEW数据采集-数字I/O/计数器

labview 数据采集 数字I/O 计数器

weixin_43781045的博客 5616

神经网络+激活函数+损失函数 三合一速查表

神经网络核心速查表摘要: 基础结构:输入层(无计算)、隐藏层(特征提取)、输出层(预测结果),通过前向传播计算预测值,反向传播更新参数。 激活函数: ReLU家族(隐藏层首选) GELU/Mish(大模型推荐) Sigmoid/Softmax(分类输出层) 损失函数: 回归:Smooth L1/MSE/MAE 分类:BCEWithLogitsLoss(二分类)、Sparse CCE(多分类) 特殊:Focal Loss(样本不均衡) 黄金搭配: 回归:Linear激活+Smooth L1 二分类:Sigmo

code旭的博客 614

永磁同步电机功率计算实战:从公式到避坑指南(附Excel计算模板)

本文详细解析永磁同步电机(PMSM)功率计算的实战技巧,涵盖三维参数体系、三相与单相系统差异、动态工况补偿及常见计算陷阱。特别提供Excel计算模板,帮助工程师快速准确完成功率计算,避免工业应用中的常见错误,提升工作效率。

x8y9z0的博客 800

EPSON RX8010SJ RTC实战:I2C寄存器配置避坑指南(附完整初始化代码)

本文详细解析了EPSON RX8010SJ RTC芯片在I2C寄存器配置中的常见问题与解决方案,包括TEST位、STOP位和中断控制等关键配置要点。通过实战经验分享和完整的初始化代码模板,帮助开发者避免常见陷阱,确保RTC模块的稳定运行。

weixin_28678831的博客 405

深度学习:激活函数

激活函数神经网络神经元中,输入的 inputs 通过加权,求和后,还被作用了一个函数,这个函数就是激活函数 Activation Function。 为什么要用激活函数神经网络中激活函数的主要作用是提供网络的非线性建模能力,如不特别说明,激活函数一般而言是非线性函数。假设一个示例神经网络中仅包含线性卷积和全连接运算,那么该网络仅能够表达线性映射,即便增加网络的深度也依旧还是线性映射,难以有效建模

皮皮blog 3万+

基于ESP32和OV5640的目标检测系统

本文详细介绍了基于ESP32-S3和OV5640摄像头构建目标检测系统的完整方案。系统采用YOLOv8-Nano轻量级模型,通过INT8量化实现边缘部署,在UXGA分辨率下达到25fps帧率。文章从硬件选型、图像采集优化、模型量化部署、实时推理流水线构建等维度展开,重点解决了内存管理、电源稳定性和异常处理等嵌入式系统关键问题。该方案在资源受限条件下实现了150ms以内的端到端延迟,为物联网视觉应用提供了低成本、低功耗的解决方案,适用于智能家居、工业检测等多个场景。

reset2021的博客 327

常用激活函数总结

隐藏层 →ReLU(如果遇到神经元死亡,再考虑换Leaky ReLU或ELU)二分类输出 →Sigmoid多分类输出 →Softmax回归输出 →线性层(无激活函数)

2302_76182204的博客 336

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

神经网络激活函数实战指南:从原理到工程选型

激活函数是神经网络中控制神经元‘开关’行为的核心组件,其本质是在可微性、梯度传播效率与计算开销之间做系统权衡。sigmoid提供概率解释但易致梯度消失,tanh通过中心化输出改善RNN稳定性,ReLU以线性正区实现高效前向与恒定梯度回传,而Leaky ReLU、ELU等变体则针对性缓解‘死亡神经元’问题。在工程实践中,激活函数的选择必须匹配任务类型(如二分类用sigmoid、多分类用softmax、回归用线性)、网络结构(CNN隐藏层首选ReLU)及硬件约束(边缘设备倾向低计算量函数)。真实项目验证表明,错

culi4814的博客 316

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

深度学习与神经网络核心知识点速查指南

可以快速验证网络结构设计,其内置的AI辅助功能能自动生成基础代码框架,特别适合在复习时快速测试不同超参数组合的效果。我在准备期末考试时,就用它来可视化卷积核的特征提取过程,比单纯看公式直观很多。权重共享网络典型:CNN处理空间特征,RNN处理时序特征。Tanh函数输出零中心化特性有利于后续层学习。ResNet残差连接解决深层网络退化问题。批量归一化层能显著改善深层网络训练效果。残差连接在反向传播时的梯度传导路径。

SapphireFox89的博客 265

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

Matlab神经网络建模:激活函数原理、选型与实战指南

激活函数是神经网络的核心组件,它通过引入非线性变换,使网络能够拟合复杂的现实世界数据关系。其工作原理在于对神经元输入进行非线性映射,直接影响模型的梯度传播效率和输出范围。在工程实践中,合理选择激活函数对模型性能至关重要,例如Sigmoid函数适用于概率输出,ReLU能有效缓解梯度消失,而Softmax则专为多分类设计。本文聚焦于Matlab环境,深入解析Log-Sigmoid、Tan-Sigmoid、ReLU、线性函数及Softmax等常用激活函数的特性、适用场景与实战配置,帮助读者解决梯度消失、Dead

weixin_33851604的博客 354

NLP深度学习中激活函数的实操决策指南

激活函数是深度学习模型实现非线性表达的核心机制,其选择直接影响梯度流动、特征表达与任务适配性。在自然语言处理(NLP)场景中,由于输入高度稀疏、序列建模引发梯度衰减、输出语义约束严格等特性,激活函数不再只是‘加个非线性’的可选插件,而是决定模型能否收敛、泛化与上线的关键组件。GELU因平滑导数与抗饱和特性成为Transformer标准,而ReLU在稀疏Embedding下易致神经元死亡,Sigmoid则在中间层极易引发梯度消失。本文聚焦PyTorch/TensorFlow工程实践,结合梯度消失、输出层设计等

weixin_28224217的博客 321

CS 229 机器学习速查表:7 张 PDF 速查表,从 clone 到上手 10 分钟

斯坦福 CS 229 机器学习速查手册(stanford-cs-229-machine-learning)把整门课的核心知识点浓缩成 7 份 PDF 速查表:4 张主题表(监督、无监督、深度学习、实战技巧)+ 2 本数学复习手册,外加一份合集版。它是给备考机器学习、或没时间通读全部教材、只想直接翻公式的人准备的复习材料。 ## 📌 什么时候打开这套 CS 229 速查表 - **备考前 1–

gitblog_00904的博客 981

WeasyPrint字体加载全解析:从@font-face到PDF渲染

刚把报表转成 PDF,中文标题全变成了豆腐块 □□□,而浏览器里预览完全正常。如果你在 WeasyPrint 生成文档时遇到过这类问题,大概率是字体加载链路出了问题:`@font-face` 规则写对了,字体文件却没真正进入 Pango(跨平台文本排版库)的字体数据库。这篇源码走读就从这个"豆腐块"开始,把 WeasyPrint 字体加载的完整机制拆开讲清楚。 ## 机制全景:WeasyPrin

gitblog_00499的博客 386

深度(机器)学习算法速学笔记(一)——相关概念速查

记录速学机器学习中的简单概念,包括神经网络、分类、聚类和损失函数等。

乌龟汤猿的成长轨迹 883

深度学习速查词典

深度学习速查词典   https://mp.weixin.qq.com/s/0evrjcivb5ArZGLQ4tGrmg   编者按:入门深度学习的方法有很多,其中最便捷的是在线课程。但是,从做出这项选择起,新手要面临的就不仅是全新的知识体系,还有无数的陌生术语。在开始阅读前,请自问自答:什么是Adam、ReLU、YOLO?什么是AdaGrad、Dropout、Xavier Initial...

喜欢打酱油的老鸟 600

Magnetron核心API速查手册:从张量操作到模型训练全攻略

Magnetron是一个零依赖的机器学习框架,采用C语言编写并提供现代化Python API,让用户能够完全控制执行和内存。本手册将帮助你快速掌握Magnetron的核心API,从张量基础操作到模型训练的全流程,助你高效开展机器学习项目。 ## 一、环境准备与基础概念 ### 1.1 安装Magnetron 要开始使用Magnetron,首先需要克隆仓库: ```bash git clone

gitblog_00571的博客 428

Blocks前馈网络组件详解:Linear、MLP与激活函数的终极指南

Blocks 是一个基于 Theano 的神经网络构建与训练框架,而前馈网络组件(Linear 全连接层、MLP 多层感知机与各类激活函数)正是它最核心、最常用的积木。无论你是刚接触深度学习的新手,还是想快速上手 Blocks 的工程师,这份 Blocks 前馈网络组件详解都能帮你从零理解这些组件的工作原理、配置方法与实践技巧,让你用最短的时间搭建出属于自己的第一个前馈网络。 ## 认识 Blo

gitblog_01178的博客 608

python中列表的概念_机器学习速查表全集(从理论概念到Python库)

选自Github等机器之心编译参与:蒋思源机器之心此前曾提供过机器学习和深度学习最好的九张代码速查表,不过近日又有博主发表了一次完全的速查表。虽然有一些和以前是重复的,但还是增加了一些新的速查表。本文前一部分主要重点描述新添加的速查表,后一部分再为读者提供一些以前的速查表资源。这些速查表暂时是保持英文的,因为后面一些不熟悉的库和函数我们可能编译不太精确。所以如果读者有较多需求,机器之心会考虑在G...

weixin_39722965的博客 164
上一篇: 神经网络高级激活函数大全及keras中的函数定义
下一篇: 借助keras的层知识理解理解神经网络层的构成相关概念
LaoYuanPython
LaoYuanPython 2020年博客之星Top3 2020年博客之星Top3 领域专家: Python技术领域 领域专家: Python技术领域
博客等级 码龄8年 15万+粉丝 1324原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

LaoYuanPython

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值