第四讲 Pytorch理解激活函数
一 本节课程介绍
1.1 知识点
1、神经网络激活函数的基本介绍；
2、pytorch实现Relu激活函数；
3、pytorch实现Tanh激活函数；
4、pytorch实现Sigmoid激活函数；
二 课程内容
2.1 激活函数基本介绍
神经网络是通过算法模拟生物的神经传递实现的算法。在生物的神经元之间的传递依赖于神经元的激活状态，即点火与否，分别为1和0。为了模拟这种神经元传递，使用构建激活函数的方式进行信息传递。
2.1.1 Sigmoid和Tanh激活函数
sigmoid激活函数值的范围为（0， 1），经过它激活得到的数据为非0均值；sigmoid 激活函数具有双向饱和性，即在一定数据范围内，其导数趋于 0 收敛。且其导数范围为（0，0.25），且不在（−3，3）的数据导数值很小，在反向传播过程时，导数相乘很容易造成梯度弥散；sigmoid 激活函数求导过程计算量较大，模型训练的时间复杂度较高。其公式如下：
tanh 激活函数解决了 sigmoid 激活函数非0均值的问题 ，且其导数范围为（0，1），从而略微缓减了sigmoid 激活函数梯度弥散的问题；但 tanh 激活函数存在的双向饱和性仍然使得梯度弥散问题存在，且模型训练的时间复杂度较高。其公式如下：
2.1.2 Relu激活函数介绍
激活函数 ReLU 的提出和应用很好地解决了sigmoid 和 tanh函数存在的 “ 梯度消 失” 问题。虽然ReLU函数的稀疏性很好地解决了“S型”软饱和激活函数带来的梯度消失的问题 ，但是ReLU负半轴存在的硬饱和置 0，这可能会导致“神经元坏死”，也使得它的数据分布不为0均值，模型在训练过程可能会发生神经元“坏死”的状况。为了解决 Relu 负半轴“神经元坏死”的情况，研究者们对ReLU的负半轴下功夫改造 ，提出了LeakyReLU、 PReLU、RReLU等激活函数。其Relu激活函数公式如下可见：
三 实验测试
3.1 Pytorch实现ReLU激活函数
首先要导入库：
import torch
from torch.functional import F
from torch.autograd import variable
import matplotlib.pyplot as plt
（1）数据生成，在-2到2之间均匀生成200个数据。
x=torch.linspace(-2,2,200)
（2）将x转为torch变量：
x=variable(x)
（3）生成x对应的numpy矩阵数据，方便绘图。：
x_np=x.data.numpy()
（4）使用Relu函数生成数据：
y_relu=F.relu(x).data.numpy()
（5）绘图输出：
plt.plot(x_np,y_relu)
plt.show()
最终运行结果为：
3.2 Pytorch实现Sigmoid激活函数
首先要导入库：
import torch
from torch.functional import F
from torch.autograd import variable
import matplotlib.pyplot as plt
（1）数据生成，在-2到2之间均匀生成200个数据。
x=torch.linspace(-2,2,200)
（2）将x转为torch变量：
x=variable(x)
（3）生成x对应的numpy矩阵数据，方便绘图。：
x_np=x.data.numpy()
（4）使用Sigmoid函数生成数据：
y_sigmoid=F.sigmoid(x).data.numpy()
（5）绘图输出：
plt.plot(x_np,y_sigmoid)
plt.show()
最终运行结果为：
3.3 Pytorch实现Tanh激活函数
首先要导入库：
import torch
from torch.functional import F
from torch.autograd import variable
import matplotlib.pyplot as plt
（1）数据生成，在-2到2之间均匀生成200个数据。
x=torch.linspace(-2,2,200)
（2）将x转为torch变量：
x=variable(x)
（3）生成x对应的numpy矩阵数据，方便绘图。：
x_np=x.data.numpy()
（4）使用Tanh函数生成数据：
y_tanh=F.tanh(x).data.numpy()
（5）绘图输出：
plt.plot(x_np,y_tanh)
plt.show()
最终运行结果为：
四 思考与作业
尝试测试pytorch更多的激活函数并绘制图形