python与机器学习2,激活函数

2023-12-18 21:10:02

目录

1 什么是激活函数? activation function

1.1 阈值

1.2 激活函数a(x) ,包含偏置值θ

1.3 激活函数a(x) ,包含偏置值b

2 激活函数1: 单位阶跃函数

2.1 函数形式

2.2 函数图形

2.3 函数特点

2.4 代码实现这个 单位阶跃函数

3 激活函数2? sigmoid函数

3.1 函数形式

3.2 函数图形

3.3 函数特点

3.3.1 是一个连续函数,且是一个渐变的曲线

3.3.2 是连续区间的[0,1] , 可以天然等价视为概率!

3.3.3 计算方便,求导数方便,

3.4 代码实现

3.4.1 sigmoid函数的实现,和 跃迁函数 对比

3.4.2 容易犯的错误

3.4.3 标准函数代码写法


1 什么是激活函数? activation function

一般是神经网络/ 感知机 用到的判断 神经元是否被激活的函数

1.1 阈值

  • 阈值判断
  • 阈值θ 太高神经容易被激活,很容易兴奋
  • 阈值θ 太低神经不容易被激活,不够敏感
  • if/当 w1x1+w2x2+w3x3+.....<θ? ?不能激活
  • if/当 w1x1+w2x2+w3x3+.....>=θ 才能激活
  • 因此?w1x1+w2x2+w3x3+.....=θ 时,就是刚好可以激活的阈值

1.2 激活函数a(x) ,包含偏置值θ

  • y=a(w1x1+w2x2+w3x3+.....-θ)
  • y=a(w,x,θ)
  • x? 是输入的多个信息,w是每个信息的权重,θ是判断是否激活的阈值
  • a(x) 就是激活函数

1.3 激活函数a(x) ,包含偏置值b

  • y=a(w1x1+w2x2+w3x3+.....+b)
  • θ是判断是否激活的阈值 变成了偏置值b

2 激活函数1: 单位阶跃函数

2.1 函数形式

函数形式 y=f(x)

  • 可以说是 分段函数,或 阶跃函数/单位阶跃函数
  • f(x)=0, if x<0
  • f(x)=1, if x>=0

2.2 函数图形

  • 从图形上看,
  • 可以说是 分段函数
  • 或 阶跃函数/单位阶跃函数

2.3 函数特点

  • 设置函数的结果在0-1之间,
  • 天生的符合概率的[0,1] 设计
  • 一个最简单的函数,分段函数图形是直的,但是上下限也是[0,1]

2.4 代码实现这个 单位阶跃函数

import numpy as np
import matplotlib.pyplot as plt

plt.figure()
X=np.linspace(-5,5,100)
Y=[]
for x in X:
    if x<0:
        y=-1
        Y.append(y)
    elif x>=0:
        y=1
        Y.append(y)
plt.plot(X,Y)
plt.show

3 激活函数2? sigmoid函数

sigmod函数比较经典

3.1 函数形式

  • sigmod函数形式,y=f(x)
  • f(x)=1/(1+e^(-x))
  • f(x)=1/(1+np.exp(-X))? ?#python内调用 numpy写法

3.2 函数图形

  • 函数图形是连续的
  • 函数的范围是[0,1]
  • 完全可以假设看作一种概率分布曲线pdf

3.3 函数特点

3.3.1 是一个连续函数,且是一个渐变的曲线

  • 一个比较连续的
  • sigmod函数图形是曲线

3.3.2 是连续区间的[0,1] , 可以天然等价视为概率

  • 上下限也是[0,1]
  • 并且在[0,1] 上是连续的,可以天然视为概率

3.3.3 计算方便,求导数方便,

  • 其中 (e^(-x))' = -e^(-x) ,可以通过复合函数求导推出
  • 为了不同情况下计算方便
  • 因为 e^(-x)' =?
  • f(x)=1/(1+e^(-x))

3.4 代码实现

3.4.1 sigmoid函数的实现,和 跃迁函数 对比

import numpy as np
import matplotlib.pyplot as plt

plt.figure()
X=np.linspace(-5,5,100)
Y=[]
y2=1/(1+np.exp(-X))  # 注意写法需要用数组X,用x是错的  y2=1/(1+np.exp(-x))
for x in X:
    if x<0:
        y=-1
        Y.append(y)
    elif x>=0:
        y=1
        Y.append(y)
plt.plot(X,Y)
plt.plot(X,y2)
plt.show


3.4.2 容易犯的错误

  • ValueError: x and y must have same first dimension, but have shapes (100,) and (1,)
  • 因为 X是数组,维度是1,而x只是代表数组X里的某个变量,维度是100
  • y需要和X对应,而不能和x对应

3.4.3 标准函数代码写法

  • 先def sigmoid() 函数,return 1/(1+np.exp(-x))?
  • 然后y 或者f(x)调用 sigmoid函数
def sigmoid(x):
    return 1/(1+np.exp(-x))

plt.figure()
X=np.linspace(-10,10,100)
y2=sigmoid(X)
# y2=1/(1-np.exp(-x))  #这样不行


plt.plot(X,y2)
plt.show


?

激活函数2,另外一种

还有的函数,分段函数图形是直的,但是上下限也是[-1,1]

f(x)=1, if x>0
f(x)=-1, if x<=0
类似的例子比如

1/2Σi=1~n(Yi-f(x)i)^2 ,加上1/2 就是为了微分结果导数更简单
?

激活函数3

如果有2个输出结果,就不适合 感知机的模式了?

最原始的

最小二乘法

最小误差之和

文章来源:https://blog.csdn.net/xuemanqianshan/article/details/135062478
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。