1.激活函數
1.1 Sigmoid函數
Sigmoid
是常用的非線性的激活函數,表達式如下:
- 特性:它能夠把輸入的連續實值變換為和之間的輸出,特别的,如果是非常大的負數,那麼輸出就是;如果是非常大的正數,輸出就是.
- 缺點:在深度神經網絡中梯度反向傳遞時導緻梯度爆炸和梯度消失,其中梯度爆炸發生的機率非常小,而梯度消失發生的機率比較大。
1.2 tanh函數
tanh
函數也是非線性函數,其函數解析式為:
tanh
讀作
Hyperbolic Tangent
,它解決了
Sigmoid
函數的不是
zero-centered
輸出問題,然而,梯度消失(
gradient vanishing
)的問題和幂運算的問題仍然存在。
1.3 Relu函數
Relu
函數實際上就是個取最大值函數,其函數解析式如下所示:
-
是目前最常用的激活函數,一般搭建人工神經網絡時推薦優先嘗試Relu
-
并非全區間可導,但我們可以取Relu
sub-gradient
- 解決了
問題 (在正區間)gradient vanishing
- 計算速度非常快,隻需要判斷輸入是否大于
- 收斂速度遠快于
和Sigmoid
tanh
-
的輸出不是ReLU
zero-centered
-
,指的是某些神經元可能永遠不會被激活,導緻相應的參數永遠不能被更新。有兩個主要原因可能導緻這種情況産生: (1) 非常不幸的參數初始化,這種情況比較少見 (2)Dead ReLU Problem
太高導緻在訓練過程中參數更新太大,不幸使網絡進入這種狀态。解決方法是可以采用Xavier初始化方法,以及避免将learning rate
設定太大或使用learning rate
等自動調節adagrad
的算法。learning rate
1.4 Leaky ReLU函數(PReLU)
函數表達式:
人們為了解決
Dead ReLU Problem
,提出了将ReLU的前半段設為而非,通常。另外一種直覺的想法是基于參數的方法,即,其中
可由方向傳播算法學出來。理論上來講,
Leaky ReLU
有
ReLU
的所有優點,外加不會有
Dead ReLU
問題,但是在實際操作當中,并沒有完全證明
Leaky ReLU
總是好于
ReLU
。
1.5 ELU(Exponential Linear Units) 函數
函數表達式:
ELU
不會有
Dead ReLU
問題 輸出的均值接近,
zero-centered
。但計算量偏大,在目前的實際應用中并未被證明總是好于
ReLU
。
1.6 UnitStep 階躍函數
函數表達式:
傳統的階躍函數,不連續,是以難以進行數學分析。常用其它連續可導函數代替。
2.感覺機模型(神經元模型)
設輸入空間(特征空間)為,輸出空間為
輸入為執行個體的特征向量,輸出為執行個體的類别
由輸入空間到輸出空間的如下函數稱為感覺機:
其中和為模型參數,稱為權值,稱為偏置。是符号函數。
假設我們目前的任務是通過感覺機對具有維特征的向量進行分類。我們可以将該感覺機的模型視作一個神經元模型。維向量()對應的是神經元的個輸入。
我們對這個輸入分别乘其對應的權值後求和,經過激活函數後得到分類結果。
但是我們注意到,當神經網絡的輸入向量為時,會産生激活失敗誤分類的情況,為了避免這種情況,我們對其加偏置項後再進入激活函數,也就是感覺機模型中的。
我們首先對輸入向量乘對應的權值加偏置項後得到,将其經過激活函數後與标簽進行比對,并根據是否與标簽相等來更新參數的值:
其中為步長,又稱學習率。以上過程對所有訓練資料執行一次後,可以得到一輪訓練後的和。
顯然,由于權值參數對應于維特征向量,是以的次元一定與輸入向量的特征維數有關。
此處給出基于
Python
實作的感覺機模型。
import numpy as np
import matplotlib.pyplot as plt
class ActivateFunction(object):
@staticmethod
def Sigmoid(x):
return (1 / (1 + np.exp(-x)))
@staticmethod
def ReLu(x):
if x <= 0: return 0
else: return x
#return np.max(0, x)
@staticmethod
def Softmax(x):
return np.exp(x) / np.sum(np.exp(x))
@staticmethod
def UnitStep(x):
return 1 if x > 0 else 0
class Perceptron(object):
#初始化一個具有n維特征的感覺機
def __init__(self, input_num, activator):
self.activator = activator
self.size = input_num
self.weights = [0.0 for i in range(input_num)]
self.bias = 0.0
#預測值
def Predict(self, input_vec):
return self.activator(np.dot(input_vec, self.weights) + self.bias)
#單輪訓練
def SingleIteration(self, input_vecs, labels, rate):
samples = zip(input_vecs, labels)
for (input_vec, label) in samples:
output = self.Predict(input_vec)
delta = label - output
input_vec = np.array(input_vec)
self.weights += rate * delta * input_vec
self.bias += rate * delta
#多輪訓練入口
def fit(self, input_vecs, labels, iteration, rate):
input_vecs, labels = np.array(input_vecs), np.array(labels)
for i in range(iteration):
self.SingleIteration(input_vecs, labels, rate)
#擷取訓練後的得到參數
def GetParameters(self):
return self.weights, self.bias
if __name__ == "__main__":
data, label = [], []
file = open(r'.\Python\x.txt')
for line in file.readlines():
line_data = line.strip().split(',')
data.append([float(line_data[0]), float(line_data[1])])
file.close()
file = open(r'.\Python\y.txt')
for line in file.readlines():
line_data = line.strip().split(',')
label = list(map(int, line_data))
file.close
p = Perceptron(2, ActivateFunction.UnitStep)
p.fit(data, label, 1000, 0.1)
w, b = p.GetParameters()
x1 = np.arange(-5, 10, 0.1)
x2 = (w[0] * x1 + b) / (-w[1])
data = np.array(data)
label = np.array(label)
idx_p = np.where(label == 1)
idx_n = np.where(label != 1)
data_p = data[idx_p]
data_n = data[idx_n]
plt.scatter(data_p[:, 0], data_p[:, 1], color='red')
plt.scatter(data_n[:, 0], data_n[:, 1], color='blue')
plt.plot(x1, x2)
plt.show()