pythorch学习笔记(十三)——激活函数及其梯度

本文详细探讨了sigmoid、tanh和ReLU三种常见的激活函数,阐述它们如何将输入压缩到特定区间、解决梯度问题,并重点讲解了sigmoid的局限性和ReLU的优势。了解这些激活函数有助于优化神经网络训练过程。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

激活函数及其梯度

激活函数 达到某一阈值输出

*激活函数可导

1.Sigmoid / Logistic

压缩到[0,1]

缺陷:x = +-∞,导数→0,参数=参数 导致长时间不更新,即梯度离散

2.Tanh

 

 压缩到[-1,1]

3.Rectified Linear Unit(ReLU)

 

 减少了梯度离散和梯度爆炸情况

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
实付
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