TensorFlow2.0(7):啟用函式
注:本系列所有部落格將持續更新併發布在github上,您可以通過github下載本系列所有文章筆記檔案。
1 什麼是啟用函式¶
啟用函式是深度學習,亦或者說人工神經網路中一個十分重要的組成部分,它可以對神經元的接收資訊進行非線性變換,將變換後的資訊輸出到下一層神經元。啟用函式作用方式如下公式所示:
$$y = Activation(\sum\limits_i^N {{w_i} \cdot {x_i} + b} )$$其中,$Activation()$就是啟用函式。
為什麼要使用啟用函式呢?當我們不用啟用函式時,網路中各層只會根據權重$w$和偏差$b$只會進行線性變換,就算有多層網路,也只是相當於多個線性方程的組合,依然只是相當於一個線性迴歸模型,解決複雜問題的能力有限。我們希望我們的神經網路能夠處理複雜任務,如語言翻譯和影象分類等,線性變換永遠無法執行這樣的任務。啟用函式得加入能對輸入進行非線性變換,使其能夠學習和執行更復雜的任務。
另外,啟用函式使反向傳播成為可能,因為啟用函式的誤差梯度可以用來調整權重和偏差。如果沒有可微的非線性函式,這就不可能實現。
總之,啟用函式的作用是能夠給神經網路加入一些非線性因素,使得神經網路可以更好地解決較為複雜的問題。
2 常用啟用函式¶
2.1 sigmoid函式¶
sigmoid函式可以將整個實數範圍的的任意值對映到[0,1]範圍內,噹噹輸入值較大時,sigmoid將返回一個接近於1的值,而當輸入值較小時,返回值將接近於0。sigmoid函式數學公式和函式影象如下所示:
$$f(x) = \frac{1}{{1 + {e^{ - x}}}}$$
感受一下TensorFlow中的sigmoid函式:
import tensorflow as tf x = tf.linspace(-5., 5.,6) xOut[1]:
<tf.Tensor: id=3, shape=(6,), dtype=float32, numpy=array([-5., -3., -1., 1., 3., 5.], dtype=float32)>
有兩種方式可以呼叫sigmoid函式:
In [2]:tf.keras.activations.sigmoid(x)Out[2]:
<tf.Tensor: id=4, shape=(6,), dtype=float32, numpy= array([0.00669285, 0.04742587, 0.26894143, 0.7310586 , 0.95257413, 0.9933072 ], dtype=float32)>In [3]:
tf.sigmoid(x)Out[3]:
<tf.Tensor: id=5, shape=(6,), dtype=float32, numpy= array([0.00669285, 0.04742587, 0.26894143, 0.7310586 , 0.95257413, 0.9933072 ], dtype=float32)>
看,$x$中所有值都對映到了[0,1]範圍內。
sigmoid優缺點總結:
-
優點:輸出的對映區間(0,1)內單調連續,非常適合用作輸出層,並且比較容易求導。
-
缺點:具有軟飽和性,即當輸入x趨向於無窮的時候,它的導數會趨於0,導致很容易產生梯度消失。
2.2 relu函式¶
Relu(Rectified Linear Units修正線性單元),是目前被使用最為頻繁得啟用函式,relu函式在x<0時,輸出始終為0。由於x>0時,relu函式的導數為1,即保持輸出為x,所以relu函式能夠在x>0時保持梯度不斷衰減,從而緩解梯度消失的問題,還能加快收斂速度,還能是神經網路具有稀疏性表達能力,這也是relu啟用函式能夠被使用在深層神經網路中的原因。由於當x<0時,relu函式的導數為0,導致對應的權重無法更新,這樣的神經元被稱為"神經元死亡"。
relu函式公式和影象如下:
$$f(x) = \max (0,x)$$
在TensorFlow中,relu函式的引數情況比sigmoid複雜,我們先來看一下:
tf.keras.activations.relu( x, alpha=0.0, max_value=None, threshold=0 )
- x:輸入的變數
- alpha:上圖中左半邊部分影象的斜率,也就是x值為負數(準確說應該是小於threshold)部分的斜率,預設為0
- max_value:最大值,當x大於max_value時,輸出值為max_value
- threshold:起始點,也就是上面圖中拐點處x軸的值
x = tf.linspace(-5., 5.,6) xOut[4]:
<tf.Tensor: id=9, shape=(6,), dtype=float32, numpy=array([-5., -3., -1., 1., 3., 5.], dtype=float32)>In [5]:
tf.keras.activations.relu(x)Out[5]:
<tf.Tensor: id=10, shape=(6,), dtype=float32, numpy=array([0., 0., 0., 1., 3., 5.], dtype=float32)>In [6]:
tf.keras.activations.relu(x,alpha=2.)Out[6]:
<tf.Tensor: id=11, shape=(6,), dtype=float32, numpy=array([-10., -6., -2., 1., 3., 5.], dtype=float32)>In [7]:
tf.keras.activations.relu(x,max_value=2.) # 大於2部分都將輸出為2.Out[7]:
<tf.Tensor: id=16, shape=(6,), dtype=float32, numpy=array([0., 0., 0., 1., 2., 2.], dtype=float32)>In [8]:
tf.keras.activations.relu(x,alpha=2., threshold=3.5) # 小於3.5的值按照alpha * (x - threshold)計算Out[8]:
<tf.Tensor: id=27, shape=(6,), dtype=float32, numpy=array([-17., -13., -9., -5., -1., 5.], dtype=float32)>
2.3 softmax函式¶
softmax函式是sigmoid函式的進化,在處理分類問題是很方便,它可以將所有輸出對映到成概率的形式,即值在[0,1]範圍且總和為1。例如輸出變數為[1.5,4.4,2.0],經過softmax函式啟用後,輸出為[0.04802413, 0.87279755, 0.0791784 ],分別對應屬於1、2、3類的概率。softmax函式數學公式如下:
$$f({x_i}) = \frac{{{e^{{x_i}}}}}{{\sum\limits_i {{e^{{x_i}}}} }}$$ In [9]:tf.nn.softmax(tf.constant([[1.5,4.4,2.0]]))Out[9]:
<tf.Tensor: id=29, shape=(1, 3), dtype=float32, numpy=array([[0.04802413, 0.87279755, 0.0791784 ]], dtype=float32)>In [10]:
tf.keras.activations.softmax(tf.constant([[1.5,4.4,2.0]]))Out[10]:
<tf.Tensor: id=31, shape=(1, 3), dtype=float32, numpy=array([[0.04802413, 0.87279755, 0.0791784 ]], dtype=float32)>In [11]:
x = tf.random.uniform([1,5],minval=-2,maxval=2) xOut[11]:
<tf.Tensor: id=38, shape=(1, 5), dtype=float32, numpy= array([[ 1.9715171 , 0.49954653, -0.37836075, 1.6178164 , 0.80509186]], dtype=float32)>In [12]:
tf.keras.activations.softmax(x)Out[12]:
<tf.Tensor: id=39, shape=(1, 5), dtype=float32, numpy= array([[0.42763966, 0.09813169, 0.04078862, 0.30023944, 0.13320053]], dtype=float32)>
2.4 tanh函式¶
tanh函式無論是功能還是函式影象上鬥魚sigmoid函式十分相似,所以兩者的優缺點也一樣,區別在於tanh函式將值對映到[-1,1]範圍,其數學公式和函式影象如下:
$$f(x) = \frac{{\sinh x}}{{\cosh x}} = \frac{{1 - {e^{ - 2x}}}}{{1 + {e^{ - 2x}}}}$$In [13]:
x = tf.linspace(-5., 5.,6) xOut[13]:
<tf.Tensor: id=43, shape=(6,), dtype=float32, numpy=array([-5., -3., -1., 1., 3., 5.], dtype=float32)>In [14]:
tf.keras.activations.tanh(x)Out[14]:
<tf.Tensor: id=44, shape=(6,), dtype=float32, numpy= array([-0.99990916, -0.9950547 , -0.7615942 , 0.7615942 , 0.9950547 , 0.99990916], dtype=float32)>
3 總結¶
神經網路中,隱藏層之間的輸出大多需要通過啟用函式來對映(當然,也可以不用,沒有使用啟用函式的層一般稱為logits層),在構建模型是,需要根據實際資料情況選擇啟用函式。TensorFlow中的啟用函式可不止這4個,本文只是介紹最常用的4個,當然,其他啟用函式大多是這幾個啟用函式的變種。