机器学习中的特殊函数
- Sigmoid
- softplus函数
- tanh
- ReLu(x)
- Leaky-Relu
- ELU
- [SiLu/ Swish](#SiLu/ Swish)
- Mish
- 伽玛函数
- beta函数
- Ref
Sigmoid
值域: 【0,1】
定义域：【负无穷,正无穷】
特殊点记忆： 经过 0 , 0.5
关键点0,0.5处的导数是 0.025
相关导数：
softplus函数
值域: (0,无穷大】
定义域：【负无穷,正无穷】
特殊点记忆： 经过 0 , 1
关键点0,1处的导数是 0.5,是sigmoid函数在x=0时的值
其中：
相关的导数性质：
关键点0,1处的导数是 0.5,是sigmoid函数在x=0时的值
tanh
tanh ( x ) = e x − e − x e x + e − x \tanh(x) = \frac{e^x - e^{-x}}{e^x + e^{-x}} tanh(x)=ex+e−xex−e−x
值域: 【-1,1】
定义域：【负无穷,正无穷】
特殊点记忆： 经过 0 , 0
关键点0,0处的导数是 1
相关导数：
d d x tanh ( x ) = 1 − tanh 2 ( x ) \frac{d}{dx}\tanh(x) = 1 - \tanh^2(x) dxdtanh(x)=1−tanh2(x)
关键点0,0处的导数是 1
ReLu(x)
这个很简单
m a x ( 0 , x ) max(0,x) max(0,x)
Leaky-Relu
m a x ( α ∗ x , x ) max(\alpha * x, x) max(α∗x,x)
当 α = 0.1 \alpha = 0.1 α=0.1时：
ELU
ELU是结合了sigmoid的左侧软饱和性和ReLU的右侧无饱和性而提出的一种新的激活函数。从上面图中不难看到这一特点。右侧线性部分使得ELU可以缓解梯度消失问题，而左侧软饱和性能让ELU对输入变化或噪声更鲁棒。而且ELU的输出均值接近于0，所以没有严重的偏移现象，所以收敛速度更快。但是计算复杂了些
SiLu/ Swish
SiLU（Sigmoid Linear Unit）函数的 LaTeX 表达式是：
S i L U ( x ) = x ⋅ σ ( x ) SiLU(x) = x \cdot \sigma(x) SiLU(x)=x⋅σ(x)
其中， σ ( x ) \sigma(x) σ(x) 表示 sigmoid 函数，即 σ ( x ) = 1 1 + e − x \sigma(x) = \frac{1}{1+e^{-x}} σ(x)=1+e−x1。
SiLU 函数的值域是 ( − ∞ , ∞ ) (-\infty, \infty) (−∞,∞)，因为该函数在输入值 x x x 的正负范围内都有输出。
SiLU 函数的导数表达式是：
( S i L U ( x ) ) ′ = σ ( x ) + x ⋅ σ ( x ) ⋅ ( 1 − σ ( x ) ) (SiLU(x))' = \sigma(x) + x \cdot \sigma(x) \cdot (1 - \sigma(x)) (SiLU(x))′=σ(x)+x⋅σ(x)⋅(1−σ(x))
这里的导数表达式是基于 SiLU 函数的定义和求导法则计算得出的。
需要注意的是，SiLU 函数是一种较为新型的激活函数，与传统的 sigmoid 和 ReLU 函数相比，它在某些任务上可能具有更好的性能表现。
相对于ReLU函数，SiLU函数在接近零时具有更平滑的曲线，并且由于其使用了sigmoid函数，可以使网络的输出范围在0和1之间。这使得SiLU在一些应用中比ReLU表现更好，例如在语音识别中使用SiLU比ReLU可以取得更好的效果。
导数：
Mish
Mish激活函数的LaTeX表达式是：
M i s h ( x ) = x ⋅ tanh ( ln ( 1 + e x ) ) Mish(x) = x \cdot \tanh(\ln(1 + e^x)) Mish(x)=x⋅tanh(ln(1+ex))
Mish激活函数的值域是 ( − ∞ , ∞ ) (-\infty, \infty) (−∞,∞)，与SiLU函数类似，它在输入值 x x x的正负范围内都有输出。
关于Mish激活函数的导数，其LaTeX表达式相对复杂。根据导数的定义和链式法则，我们可以推导出：
( M i s h ( x ) ) ′ = tanh ( ln ( 1 + e x ) ) + 4 e x ( 1 + e x ) 2 (Mish(x))' = \tanh(\ln(1 + e^x)) + \frac{4e^x}{(1 + e^x)^2} (Mish(x))′=tanh(ln(1+ex))+(1+ex)24ex
需要注意的是，Mish激活函数是一种相对较新的激活函数，被提出用于改善神经网络的性能。它具有一些有趣的特性，例如非单调性和自门控性质，这使得它在某些任务上可能具有更好的性能表现。与SiLU相比，Mish在一些实验中被证明能够取得更好的结果。
导数图：
引用原始论文，Mish 是"通过系统分析和实验发现并使 Swish 更加有效"。 就目前来说Mish可能是
最好的激活函数，但请原始论文仅在计算机视觉任务上对其进行了测试。
伽玛函数
beta函数
