神经网络中激活函数的对比
一、sigmoid函数1、输出范围为(0,1),输出范围有限,优化稳定,可以作用于输出层。2、连续函数,求导方便。f(x)=11+e−xf′(x)=f(x)[1−f(x)]f(x)= \frac{1}{1+e^{-x}}\\f'(x) = f(x)[1-f(x)]f(x)=1+e−x1f′(x)=f(x)[1−f(x)]3、当输入变量是绝对值比较大的正负数时会出现饱和现象,函数对输入的微小改变变得不敏感。在反向传播时当梯度接近于零时,权重基本不会更新,很容易出现梯度消失的情况,从而网络无法更
原创
2021-05-31 10:20:20 ·
304 阅读 ·
0 评论