机器学习—sigmoid的替代品
Z状结肠激活函数，在隐藏层中，在输出层，因为用逻辑回归建立神经网络，创造了大量的逻辑回归单元，但是如果你使用其他激活函数，神经网络可以变得更加强大。
以需求预测为例，给定价格，航运，成本，营销材料，预测某样东西是否实惠，如果有很好的意识和很高的感知质量，在此基础上，试着预测它是不是最畅销的，但这一假设意识可能是二元的，是人们知道还是不知道，但这似乎是可能的程度，买家知道你卖的T恤可能不是二进制的，他们可以稍微意识到而不是将意识建模为二进制数0或1，试图估计意识的概率或者不是建模意识只是零到一之间的一个数字，也许意识应该是任何非负数，因为它们可以是意识的任何非负值，从零到非常非常大的数字，所以说，以前我们用这个方程来计算第二个隐藏单元的激活，在g为Z状结肠函数的情况下估计意识，因此在0和1之间，如果你想让一个，两个可能会有更大的积极价值，我们可以交换一个不同的激活函数，事实证明，在神经网络中，激活函数的一个非常常见的选择是这个函数，如果z是这个，则g(z)在零的左边，那么g(z)=0，然后就是这条直线，所以当z大于等于0时，g(z)在零的右边，那么g(z)=z，这个激活函数有一个名称，它的名字叫Relu，它代表一个整流的线性单位。
有时我们会使用不同于Z状结肠激活函数的选择，最常用的激活函数是Z状结肠激活函数，激活功能还有一个功能，称为线性激活函数，也就是g(z)=z，有时如果你使用线性激活函数，人们会说我们没有使用任何激活功能，所以当你使用线性激活函数时，有人会说，我们没有使用任何激活函数，使用线性激活函数而不是没有激活函数，但如果听到别人用这个术语，只是指线性激活函数，这三个可能是迄今为止神经网络中最常用的激活函数。分别是Z状结肠激活函数，relu激活函数，线性激活函数。
原文地址：https://blog.csdn.net/yn3535_/article/details/143630634
免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！