深度学习之激活函数——Tanh
·
Tanh
双曲正切1函数(tanh),其图像与sigmoid函数十分相近,相当于sigmoid函数的放大版。在实际的使用中,tanh函数要优先于sigmoid函数。
函数表达式
tanh=ex−e−xex+e−x tanh=\frac{e^x-e^{-x}}{e^x+e^{-x}} tanh=ex+e−xex−e−x
其定义域为RRR,值域为(−1,1)(-1,1)(−1,1)
函数图像

函数特性
由于tanh激活函数与sigmoid激活函数十分相似,所以两者在特性方面有很多共同点
实际上,tanh激活函数相当于sigmoid函数的平移:tanh(x)=2sigmoid(2x)−2tanh(x)=2sigmoid(2x)−2tanh(x)=2sigmoid(2x)−2
优点:
-
以0位对称中心,收敛速度快于sigmoid,提高了权重更新的效率
-
部分解决了梯度消失的问题,因为其导数值更大
tanh导数值与sigmoid导数值对比:

通过对比不难发现,tanh的导数值要远远大于sigmoid的导数值
缺点:
- 与sigmoid一样,tanh函数具有容易饱和的特点,没有根治梯度消失的问题
igmoid一样,tanh函数具有容易饱和的特点,没有根治梯度消失的问题 - 计算复杂度较高,幂运算更加复杂
DAMO开发者矩阵,由阿里巴巴达摩院和中国互联网协会联合发起,致力于探讨最前沿的技术趋势与应用成果,搭建高质量的交流与分享平台,推动技术创新与产业应用链接,围绕“人工智能与新型计算”构建开放共享的开发者生态。
更多推荐



所有评论(0)