1. Sigmoid函数
- 范围:输出值在0到1之间。
- 导数 :
- 优点:简单直观,适用于二分类问题的输出层。
- 缺点:在输入值较大或较小时,梯度会变得非常小(梯度消失),这会导致深层网络训练困难。同时,Sigmoid函数的输出不是以0为中心的,这可能会导致梯度下降过程中的不稳定。
应用场景:常用于二分类问题的输出层,早期的全连接层中也会使用。
2. Tanh(双曲正切函数)
- 范围:输出值在-1到1之间。
- 导数 :
- 优点:相比Sigmoid,tanh函数的输出以0为中心,这有助于梯度的传播。对于输入值较小或较大的情况,梯度的消失问题相对较轻。
- 缺点:当输入值非常大或非常小时,tanh函数的梯度仍然会接近于零(梯度消失)。
应用场景:适用于中间层的激活函数,尤其是在需要负值和正值的情况中。
3. ReLU()激活函数
- 范围:输出值在0到正无穷之间。
- 导数 :
- 优点:计算简单,梯度计算效率高,减少了梯度消失的问题,有助于加速网络的收敛。
- 缺点:可能导致"死亡神经元"问题,即大量神经元输出恒为0,无法进行有效的训练。
应用场景:广泛应用于隐藏层的激活函数,是现代深度学习模型中的默认选择。