宝塔服务器面板，一键全能部署及管理，送你10850元礼包，点我领取

文章目录

• • • 一、tf.nn.sigmoid：
    • 二、tf.nn.softmax：
    • 三、tf.nn.tanh：
    • （主流）四、tf.nn.relu：
    • 五、tf.nn.leaky_relu：
    • 六、tf.nn.elu：
    • 七、tf.nn.selu：
    • 八、tf.nn.swish：

一、tf.nn.sigmoid：

将实数压缩到0到1之间，一般只在二分类的最后输出层使用。主要缺陷为存在梯度消失问题，计算复杂度高，输出不以0为中心。函数和公式如下图所示

二、tf.nn.softmax：

sigmoid的多分类扩展，一般只在多分类问题的最后输出层使用。

三、tf.nn.tanh：

将实数压缩到-1到1之间，输出期望为0。主要缺陷为存在梯度消失问题，计算复杂度高。

（主流）四、tf.nn.relu：

修正线性单元，最流行的激活函数。一般隐藏层使用。主要缺陷是：输出不以0为中心，输入小于0时存在梯度消失问题(死亡relu)。

五、tf.nn.leaky_relu：

对修正线性单元的改进，解决了死亡relu问题。

六、tf.nn.elu：

指数线性单元。对relu的改进，能够缓解死亡relu问题。

七、tf.nn.selu：

扩展型指数线性单元。在权重用tf.keras.initializers.lecun_normal初始化前提下能够对神经网络进行自归一化。不可能出现梯度爆炸或者梯度消失问题。需要和Dropout的变种AlphaDropout一起使用。

八、tf.nn.swish：

自门控激活函数。谷歌出品，相关研究指出用swish替代relu将获得轻微效果提升。