其他分享
首页 > 其他分享> > 反向传播过程中不可导情况处理

反向传播过程中不可导情况处理

作者:互联网

参考这篇文章:

https://blog.csdn.net/weixin_42720875/article/details/105936398

《神经网络反向求导不可导情况处理》

 

写的蛮好,主要写了Relu函数、平均池化、最大池化的处理方式。

 

Relu函数

 

次梯度方法(subgradient method)是传统的梯度下降方法的拓展,用来处理不可导的凸函数。它的优势是比传统方法处理问题范围大,劣势是算法收敛速度慢。但是,由于它对不可导函数有很好的处理方法,所以学习它还是很有必要的。

 

对于relu函数,当x>0时,导数为1,当x<0时导数为0。因此relu函数在x=0的次梯度c ∈ [ 0 , 1 ] c\in[0,1]c∈[0,1],c可以取[0,1]之间的任意值。

 

池化不可导

平均池

 

 

最大池化

 

下面还有一张图是一些常见激活函数的导数结果,可以简单看看。

 

标签:函数,处理,不可,Relu,传播,池化,反向,方法
来源: https://www.cnblogs.com/charlesblc/p/15924795.html