轉載自??形象的解釋神經網絡激活函數的作用是什么

神經網絡中激活函數的作用

查閱資料和學習，大家對神經網絡中激活函數的作用主要集中下面這個觀點：

激活函數是用來加入非線性因素的，解決性模型所不能解決的問題。

下面我分別從這個方面通過例子給出自己的理解~

@lee philip@顏沁睿倆位的回答已經非常好了，我舉的例子也是來源于他們，在這里加入了自己的思考，更加詳細的說了一下~

開講~

首先我們有這個需求，就是二分類問題，如我要將下面的三角形和圓形點進行正確的分類，如下圖：

利用我們單層的感知機, 用它可以劃出一條線, 把三角形和圓形樣本分割開：

?

上圖直線是由

得到，那么該感知器實現預測的功能步驟如下，就是我已經訓練好了一個感知器模型，后面對于要預測的樣本點，帶入模型中，如果y>0,那么就說明是直線的右側，也就是正類（我們這里是三角形），如果y<0,那么就說明是直線的左側，也就是負類（我們這里是圓形），雖然這和我們的題目關系不大，但是還是提一下~

?

好吧，很容易能夠看出，我給出的樣本點根本不是線性可分的，一個感知器無論得到的直線怎么動，都不可能完全正確的將三角形與圓形區分出來，那么我們很容易想到用多個感知器來進行組合，以便獲得更大的分類問題，好的，下面我們上圖，看是否可行：

好的，我們已經得到了多感知器分類器了，那么它的分類能力是否強大到能將非線性數據點正確分類開呢~我們來分析一下：

我們能夠得到

哎呀呀，不得了，這個式子看起來非常復雜，估計應該可以處理我上面的情況了吧，哈哈哈哈~不一定額，我們來給它變個形.上面公式合并同類項后等價于下面公式：

嘖嘖，估計大家都看出了，不管它怎么組合，最多就是線性方程的組合，最后得到的分類器本質還是一個線性方程，該處理不了的非線性問題，它還是處理不了。

?

就好像下圖，直線無論在平面上如果旋轉，都不可能完全正確的分開三角形和圓形點：

既然是非線性問題，總有線性方程不能正確分類的地方~

那么拋開神經網絡中神經元需不需要激活函數這點不說，如果沒有激活函數，僅僅是線性函數的組合解決的問題太有限了，碰到非線性問題就束手無策了.那么加入激活函數是否可能能夠解決呢？

在上面線性方程的組合過程中，我們其實類似在做三條直線的組合，如下圖：

下面我們來講一下激活函數，我們都知道，每一層疊加完了之后，我們需要加入一個激活函數（激活函數的種類也很多，如sigmod等等~）這里就給出sigmod例子，如下圖：

通過這個激活函數映射之后，輸出很明顯就是一個非線性函數！能不能解決一開始的非線性分類問題不清楚，但是至少說明有可能啊，上面不加入激活函數神經網絡壓根就不可能解決這個問題~

同理，擴展到多個神經元組合的情況時候，表達能力就會更強~對應的組合圖如下：（現在已經升級為三個非線性感知器在組合了）

跟上面線性組合相對應的非線性組合如下：

這看起來厲害多了，是不是~最后再通過最優化損失函數的做法，我們能夠學習到不斷學習靠近能夠正確分類三角形和圓形點的曲線，到底會學到什么曲線，不知道到底具體的樣子，也許是下面這個~

總結

以上是生活随笔為你收集整理的形象的解释神经网络激活函数的作用是什么的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。