ANN_MLP::SIGMOID_SYM 的激励函数

最新推荐文章于 2025-02-13 12:40:55 发布

starstarchen

最新推荐文章于 2025-02-13 12:40:55 发布

阅读量636

点赞数

CC 4.0 BY-SA版权

分类专栏： OpenCV

本文链接：https://blog.youkuaiyun.com/starstarchen/article/details/77863823

OpenCV 专栏收录该内容

1 篇文章

订阅专栏

本文深入探讨了在神经网络中激活函数的应用，特别是针对SIGMOID_SYM和GAUSSIAN等几种常见激活函数的具体实现方式。通过详细的代码解析，揭示了不同激活函数的特点及其在实际场景中的运用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

void calc_activ_func( Mat& sums, const Mat& w ) const
{
const double* bias = w.ptr<double>(w.rows-1);
int i, j, n = sums.rows, cols = sums.cols;

double scale = 0, scale2 = f_param2;

switch( activ_func )
{
case IDENTITY:
scale = 1.;
break;
case SIGMOID_SYM:
scale = -f_param1;
break;
case GAUSSIAN:
scale = -f_param1*f_param1;
break;
default:
;
}

CV_Assert( sums.isContinuous() );

if( activ_func != GAUSSIAN )
{
for( i = 0; i < n; i++ )
{

double* data = sums.ptr<double>(i);

for( j = 0; j < cols; j++ )

data[j] = (data[j] + bias[j])*scale; // data[j] 即 Weight[LayerIndex][j] 数组与LayerIn的内积
}

if( activ_func == IDENTITY )
return;
}
else
{
for( i = 0; i < n; i++ )
{
double* data = sums.ptr<double>(i);
for( j = 0; j < cols; j++ )
{
double t = data[j] + bias[j];
data[j] = t*t*scale;
}
}
}

exp( sums, sums ); //自然数 e 的 sums(I) 次幂， scale 是负数

if( sums.isContinuous() )
{
cols *= n;
n = 1;
}

switch( activ_func )
{
case SIGMOID_SYM:
for( i = 0; i < n; i++ )
{
double* data = sums.ptr<double>(i);
for( j = 0; j < cols; j++ )
{
if(!cvIsInf(data[j]))
{
double t = scale2*(1. - data[j])/(1. + data[j]);
data[j] = t;
}
else
{
data[j] = -scale2;
}
}
}
break;

case GAUSSIAN:
for( i = 0; i < n; i++ )
{
double* data = sums.ptr<double>(i);
for( j = 0; j < cols; j++ )
data[j] = scale2*data[j];
}
break;

default:
;
}

}

结合上面的代码看， ANN_MLP::SIGMOID_SYM 的激励函数应该使用的是"双曲正切”