激活函数：阶跃函数、sigmoid函数、ReLU函数、softmax函数

短命女 2022-04-02 11:18 822阅读 0赞

之前提到的[激活函数][Link 1]是以阈值0（界限值）为界的，小于等于0，输出0，否则，输出1。类似于这样的切换输出函数被称之为“阶跃函数”。因此，可以说感知机的激活函数为阶跃函数。那么，如果感知机使用其他函数作为激活函数的话会怎么样呢？实际上，如果将激活函数从阶跃函数换成其他函数，就可以进入神经网络的世界了。

**1、阶跃函数**

下面我们就用图来表示上面定义的阶跃函数，为此需要使用 matplotlib 库。

# coding: utf-8
    import numpy as np
    import matplotlib.pylab as plt
    
    
    def step_function(x):
        return np.array(x > 0, dtype=np.int)
    
    X = np.arange(-5.0, 5.0, 0.1)
    Y = step_function(X)
    plt.plot(X, Y)
    plt.ylim(-0.1, 1.1)  # 指定图中绘制的y轴的范围
    plt.show()

np.arange(-5.0, 5.0, 0.1) 在−5.0到5.0的范围内，以0.1为单位，生成NumPy数组（ \[-5.0, -4.9, ……, 4.9\] ）。 step\_function() 以该NumPy数组为参数，对数组的各个元素执行阶跃函数运算，并以数组形式返回运算结果。对数组 x 、 y 进行绘图，结果如图所示。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0dvZF82OA_size_16_color_FFFFFF_t_70][]

上图中，阶跃函数以 0 为界，输出从 0 切换为 1（或从 1切换 0） 。其值呈阶梯式变化，所以称之为阶跃函数。

**2、sigmoid函数**

公式： ![h(x)=\\frac\{1\}\{1+e^\{-x\}\}][h_x_frac_1_1_e_-x]

# coding: utf-8
    import numpy as np
    import matplotlib.pylab as plt
    
    
    def sigmoid(x):
        return 1 / (1 + np.exp(-x))    
    
    X = np.arange(-5.0, 5.0, 0.1)
    Y = sigmoid(X)
    plt.plot(X, Y)
    plt.ylim(-0.1, 1.1)
    plt.show()

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0dvZF82OA_size_16_color_FFFFFF_t_70 1][]

**3、阶跃函数和sigmoid函数的比较**

# coding: utf-8
    import numpy as np
    import matplotlib.pylab as plt
    
    
    def sigmoid(x):
        return 1 / (1 + np.exp(-x))    
    
    
    def step_function(x):
        return np.array(x > 0, dtype=np.int)
    
    x = np.arange(-5.0, 5.0, 0.1)
    y1 = sigmoid(x)
    y2 = step_function(x)
    
    plt.plot(x, y1)
    plt.plot(x, y2, 'k--')
    plt.ylim(-0.1, 1.1) #指定图中绘制的y轴的范围
    plt.show()

现在我们来比较一下sigmoid 函数和阶跃函数，如下图所示。两者的不同点在哪里呢？又有哪些共同点呢？我们通过观察图来思考一下。观察下图，首先注意到的是“平滑性”的不同。sigmoid函数是一条平滑的曲线，输出随着输入发生连续性的变化。而阶跃函数以0为界，输出发生急剧性的变化。sigmoid函数的平滑性对神经网络的学习具有重要意义 。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0dvZF82OA_size_16_color_FFFFFF_t_70 2][]

**阶跃函数与sigmoid函数（虚线是阶跃函数）**

**另一个不同点是，相对于阶跃函数只能返回0或1，sigmoid函数可以返回0.731 . . . 、0.880 . . . 等实数（这一点和刚才的平滑性有关）。也就是说，感知机中神经元之间流动的是0或1的二元信号，而神经网络中流动的是连续的实数值信号。  
接着说一下阶跃函数和sigmoid函数的共同性质。阶跃函数和sigmoid函数虽然在平滑性上有差异，但是如果从宏观视角看上图，可以发现它们具有相似的形状。实际上，两者的结构均是“输入小时，输出接近0（为0）；随着输入增大，输出向1靠近（变成1）”。也就是说，当输入信号为重要信息时，阶跃函数和sigmoid函数都会输出较大的值；当输入信号为不重要的信息时，两者都输出较小的值。还有一个共同点是，不管输入信号有多小，或者有多大，输出信号的值都在0到1之间。**

**4、ReLU函数**

到目前为止，我们介绍了作为激活函数的阶跃函数和sigmoid函数。在神经网络发展的历史上，sigmoid函数很早就开始被使用了，而最近则主要使用ReLU（Rectified Linear Unit）函数。

公式：![h(x)=maximum(0,x)][h_x_maximum_0_x]

# coding: utf-8
    import numpy as np
    import matplotlib.pylab as plt
    
    
    def relu(x):
        return np.maximum(0, x)
    
    x = np.arange(-5.0, 5.0, 0.1)
    y = relu(x)
    plt.plot(x, y)
    plt.ylim(-1.0, 5.5)
    plt.show()

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0dvZF82OA_size_16_color_FFFFFF_t_70 3][]

**5、softmax函数**

分类问题可以使用softmax函数，其公式表示为： ![y\_k=\\frac\{e^\{a\_k\}\}\{\\sum\_\{i=1\}^\{n\}e^\{a\_i\}\}][y_k_frac_e_a_k_sum_i_1_n_e_a_i]

上式中表示：假设输出层共有n个神经元，计算第k个神经元的输出 ![y\_k][y_k] 。softmax函数的分子是输入信号![a\_k][a_k]的指数函数，分母是所有输入信号的指数函数的和。

import numpy as np
    import matplotlib.pyplot as plt
    
    def softmax(x):
        c = np.max(x)
        exp_x = np.exp(x - c) # 解决溢出问题
        sum_exp_x = np.sum(exp_x)
        y = exp_x / sum_exp_x
        return y
    
    x = np.array([0.3, 2.9, 4.0])
    y = softmax(x)
    plt.plot(x, y)
    plt.ylim(-0.1, 1.0)
    plt.show()

注：上述代码中， c表示的是矩阵中最大值，这样操作是溢出对策。因为计算机处理“数”时，数值必须在4字节或8字节的有限数据宽度内。这意味着数存在有效位数，也就是说，可以表示的数值范围是有限的。因此，会出现超大值无法表示的问题。这个问题称为溢出，在进行计算机的运算时必须（常常）注意。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0dvZF82OA_size_16_color_FFFFFF_t_70 4][]

[Link 1]: https://blog.csdn.net/God_68/article/details/85257824
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0dvZF82OA_size_16_color_FFFFFF_t_70]: /images/20220402/556893534c464219ac3921ea090771b8.png
[h_x_frac_1_1_e_-x]: /images/20220402/5feaef8811ed450d889f301ec1839774.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0dvZF82OA_size_16_color_FFFFFF_t_70 1]: /images/20220402/6981390fe4674994b62456d23c8606d1.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0dvZF82OA_size_16_color_FFFFFF_t_70 2]: /images/20220402/9d9d7a0572b1459fbc9da2a0267a2330.png
[h_x_maximum_0_x]: /images/20220402/6d0dffd415d34a3eb2917e855b297e73.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0dvZF82OA_size_16_color_FFFFFF_t_70 3]: /images/20220402/dfe6e5c313f245ab999b57de39846993.png
[y_k_frac_e_a_k_sum_i_1_n_e_a_i]: /images/20220402/15fc62225cbe4382a0300aa09a8eea7b.png
[y_k]: https://img-blog.csdnimg.cn/20181227093447761
[a_k]: /images/20220402/4ee5743ae74749ec95ad2c65a74e9ce6.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0dvZF82OA_size_16_color_FFFFFF_t_70 4]: /images/20220402/088487a3d1cc4f038c0ca8b616ab8ee0.png