一、激活函数作用

激活函数是用来加入非线性因素的，解决线性模型所不能解决的问题。

一、激活函数分类

1）阶跃函数
2）sigmoid
3）RELU
4）tanh 函数
5）恒等函数
6）softmax

1）阶跃函数

阶跃函数的导数在绝大多数地方（除了0之外）的导数都是0。所以用它做激活函数的话，参数们的微小变化所引起的输出的变化就会直接被阶跃函数抹杀掉，在输出端完全体现不出来，训练时使用的损失函数的值就不会有任何变化，这是不利于训练过程的参数更新的。
**参考代码和结果如下：**

2）sigmoid

sigmoid 函数是一条平滑的曲线，输出随着输入发生连续性的变化。而阶跃函数以 0 为界，输出发生急剧性的变化
sigmoid 函数的导数在任何地方都不为0（这对NN的学习非常重要。参数们的一点微小的变化也会引起输出的微小的连续的变化，从而使得损失函数可以连续地变化，从而使得参数的更新正常进行，使得NN的学习正确进行）。

**参考代码和结果如下：**

3）ReLU

NN的历史上，sigmoid最早被使用。但relu最近用的更多>
**参考代码和结果如下：**

4）tanh

tanh函数的输出结果是零中心数据（输出值以零为中心），所以解决了激活函数在模型优化过程中收敛速度变慢的问题.

**结果如下：**

5）恒等函数

机器学习任务通常分为回归和分类两种任务。回归任务是要求出具体的预测值，所以输出层不再使用激活函数进行非线性转换，或者说使用恒等函数作为激活函数，它什么都没做。

6）softmax函数

分类的类别数目等于输出层神经元的数目。
假设输出层有n个神经元，第k个的输出yk​：

分母是所有输入信号的指数函数的和，所以输出层的每个神经元都要受到所有输入信号的影响。
重要性质：

这使得我们可以把softmax的输出解释为概率。
**参考代码和结果如下：**

标签：输出,阶跃,函数,sigmoid,激活,变化
来源： https://blog.csdn.net/weixin_42277332/article/details/114661541