摘要:首先看一下這個函數(shù)的圖像,以值的值做為區(qū)分點(diǎn),在值范圍左右的軸數(shù)據(jù)為范圍內(nèi)的數(shù)據(jù)。實(shí)現(xiàn)核心思想是公式以上我所展示的是函數(shù)以及函數(shù)所產(chǎn)生的圖像,以下我來說一下一般來說我們所希望激勵函數(shù)應(yīng)該是什么樣子的。
首先看一下這個sigmoid函數(shù)的圖像,以x值的0值做為區(qū)分點(diǎn),在0值范圍左右的y軸數(shù)據(jù)為0~1范圍內(nèi)的數(shù)據(jù)。
python實(shí)現(xiàn):
from math import e from matplotlib import pyplot as plt xs = [] ys = [] def sigmoid(x): y = 1. / (1. + e **(-x)) return y; for x in range(-1000,1001): x = x * 0.1 y = sigmoid(x) xs.append(x) ys.append(y) print(xs) print(ys) plt.plot(xs,ys) plt.show()
核心思想是公式:
以上我所展示的是sigmoid函數(shù)以及函數(shù)所產(chǎn)生的圖像,以下我來說一下一般來說我們所希望激勵函數(shù)應(yīng)該是什么樣子的。
通常來說,我們希望一個數(shù)據(jù)做了激勵后,應(yīng)該能明確的知道結(jié)果應(yīng)該是true或false,但是對于這種函數(shù),如:
def f(x): if(x < 0): return 0; if(x > 0): return 1;
所產(chǎn)生的函數(shù)是不連續(xù)且不可求導(dǎo)的,那么在計算過程中就會非常的不方便,sigmoid其實(shí)相當(dāng)于做了折中處理。且在具體的計算過程中,根據(jù)實(shí)際情況,也許產(chǎn)生的S(x)可能取值在0~0.5以及0.5~1分別分成兩類。也有可能是0~0.8,0.8~1。在具體的計算過程中可能會更靈活。
以上就當(dāng)一個筆記,后續(xù)理解如果有出入,再做修改。
?
文章版權(quán)歸作者所有,未經(jīng)允許請勿轉(zhuǎn)載,若此文章存在違規(guī)行為,您可以聯(lián)系管理員刪除。
轉(zhuǎn)載請注明本文地址:http://specialneedsforspecialkids.com/yun/41106.html
摘要:比如說,我們在邏輯回歸中用到的函數(shù)就是一種激勵函數(shù),因?yàn)閷τ谇蠛偷慕Y(jié)果輸入,函數(shù)總會輸出一個之間的值,我們可以認(rèn)為這個值表明信號的強(qiáng)度或者神經(jīng)元被激活和傳導(dǎo)信號的概率。通過激勵函數(shù)引入非線性因素后,使神經(jīng)網(wǎng)絡(luò)的表示能力更強(qiáng)了。 ?showImg(https://segmentfault.com/img/bVbikBg?w=758&h=324);showImg(https://segme...
摘要:卷積神經(jīng)網(wǎng)絡(luò)已經(jīng)斷斷續(xù)續(xù)的學(xué)了大半年了,卻發(fā)現(xiàn)自己還是一頭霧水,連基本的概念都沒搞清楚。將卷積神經(jīng)網(wǎng)絡(luò)的基本概念和原理理了一下,并整理出來,以供大家參考。 ??卷積神經(jīng)網(wǎng)絡(luò)已經(jīng)斷斷續(xù)續(xù)的學(xué)了大半年了,卻發(fā)現(xiàn)自己還是一頭霧水,連基本的概念都沒搞清楚。這兩天在網(wǎng)上查了一些資料,看了一些教程。將卷積神經(jīng)網(wǎng)絡(luò)的基本概念和原理理了一下,并整理出來,以供大家參考。注:本文中有些結(jié)論是本人對卷積神經(jīng)...
閱讀 2471·2023-04-25 21:41
閱讀 1647·2021-09-22 15:17
閱讀 1921·2021-09-22 10:02
閱讀 2433·2021-09-10 11:21
閱讀 2569·2019-08-30 15:53
閱讀 996·2019-08-30 15:44
閱讀 946·2019-08-30 13:46
閱讀 1125·2019-08-29 18:36