神经网络算法：常用激活函数（Sigmoid,tanh,ReLU）

在神经网络中，我们称逻辑回归中的 Sigmoid 函数为激活函数。在神经网络中，有很多可选的激活函数。

1. Sigmoid函数

Sigmoid 函数定义如下：

其图像如图 1 所示。

图1：Sigmoid函数图像
 

Sigmoid 函数将拟合曲线最后的结果转换到 (0,1) 区间。比较大的负数无限接近于 0，比较大的正数无限接近于 1。这样我们就可以用 0、1 来表示不同的分类结果。

2. tanh函数

tanh 函数的定义如下：

其图像如图 2 所示。

图2：tanh函数图像

tanh 函数将拟合曲线最后的结果转换到 (-1,1) 的区间上。比较大的负数无限接近于 -1，比较大的正数无限接近于 1。

3. ReLU函数

ReLU 函数的定义如下：

其图像如图 3 所示。

图3：ReLU函数图像

ReLU 函数将拟合曲线最后的结果转换到 [0,+∞) 的区间上，其中小于 0 的结果转换为 0，大于 0 的结果不变。因为 Sigmoid 函数和 tanh 函数在训练神经网络的过程中效率比较低，所以现在都默认使用 ReLU 函数进行训练。