系列索引：菜菜的深度学习笔记 | 基于Python的理论与实现

文章目录

• 一、激活函数
• • （1）阶跃函数的实现
  • （2）sigmoid函数的实现
  • （3）阶跃函数和sigmoid函数对比
  • （4）非线性函数
  • （5）ReLU函数
• 二、多维数组的运算
• • （1）矩阵的乘积
  • （2）神经网络的内积

一、激活函数

阶跃函数：以阈值为界，一旦超过阈值就切换输出

感知机使用阶跃函数作为激活函数，如果将阶跃函数换成其他函数，那么就进入神经网络的世界了。

神经网络中用sigmoid函数作为激活函数，进行信号的转换，转换后的信号被传送到下一个神经元。

感知机和神经网络的区别就在于激活函数。

（1）阶跃函数的实现

import numpy as np
import matplotlib.pyplot as plt


def step_function(x):  # 阶跃函数
    y = x > 0
    return y.astype(np.int)


x = np.arange(-5.0, 5.0, 0.1)
y = step_function(x)
plt.plot(x, y)
plt.ylim(-0.1, 1.1)
plt.show()

在-5到5的范围内，以0.1为单位生成Numpy数组，限制y的取值在-0.1 - 1.1。它的图像呈阶梯式变化，所以称为阶跃函数。

（2）sigmoid函数的实现

def sigmoid(x):  # sigmoid函数之所以支持Numpy数组是因为其广播功能
    return 1/(1+np.exp(-x))

（3）阶跃函数和sigmoid函数对比

sigmoid函数是一条平滑的曲线，输出随着输入发生连续的变化。其平滑性对于神经网络的学习具有重要意义。

相对于阶跃函数只能返回0或1，sigmoid函数能返回小数，即感知机中神经元之间流动的是0或1的二元信号，而神经网络中流动的是连续的实数值信号。

（4）非线性函数

激活函数不能使用线性函数，使用线性函数的话加深神经网络的层数就没什么意义了。

线性函数的问题在于不管如何加深层数总存在与之等效的“无隐藏层的神经网络”
如：激活函数h(x) = cx，y=h(h(h(x)))，即y=c^3x，等效于y = ax。

（5）ReLU函数

ReLU函数：当输入大于0时直接输出该值，输入小于等于0时输出0。

def relu(x):
	return np.maximum(0,x)

二、多维数组的运算

（1）矩阵的乘积

np.dot(a,b)：计算AB矩阵的乘积（点积）
A x B = C
3x2 - 2x4 - 3x4，A的列与B的行保持一致

（2）神经网络的内积

import numpy as np

X = np.array([1, 2])
W = np.array([[1, 3, 5], [2, 4, 6]])
Y = np.dot(X, W)
print(Y)

基于Python的理论与实现 系列持续更新，欢迎点赞收藏＋关注

上一篇：菜菜的深度学习笔记 | 基于Python的理论与实现（一）
下一篇：

本人水平有限，文章中不足之处欢迎下方

标签：阶跃,函数,sigmoid,Python,菜菜,笔记,神经网络,np,激活
来源： https://blog.csdn.net/Magic_Zsir/article/details/123079337