在神经网络中，我们称逻辑回归中的 Sigmoid 函数为激活函数。在神经网络中，有很多可选的激活函数。
Sigmoid 函数定义如下：
其图像如图 1 所示。
图1：Sigmoid函数图像
Sigmoid 函数将拟合曲线最后的结果转换到 (0,1) 区间。比较大的负数无限接近于 0，比较大的正数无限接近于 1。这样我们就可以用 0、1 来表示不同的分类结果。
tanh 函数的定义如下：
其图像如图 2 所示。
图2：tanh函数图像
tanh 函数将拟合曲线最后的结果转换到 (-1,1) 的区间上。比较大的负数无限接近于 -1，比较大的正数无限接近于 1。
ReLU 函数的定义如下：
其图像如图 3 所示。
图3：ReLU函数图像
ReLU 函数将拟合曲线最后的结果转换到 [0,+∞) 的区间上，其中小于 0 的结果转换为 0，大于 0 的结果不变。因为 Sigmoid 函数和 tanh 函数在训练神经网络的过程中效率比较低，所以现在都默认使用 ReLU 函数进行训练。
声明：《Python系列教程》为本站“54笨鸟”官方原创，由国家机构和地方版权局所签发的权威证书所保护。
到此这篇sigmoid和tanh函数图（sigmoid和tanh函数图像）的文章就介绍到这了,更多相关内容请继续浏览下面的相关 推荐文章，希望大家都能在编程的领域有一番成就！版权声明：
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。
如若内容造成侵权、违法违规、事实不符，请将相关资料发送至xkadmin@xkablog.com进行投诉反馈，一经查实，立即处理！
转载请注明出处，原文链接：https://www.xkablog.com/haskellbc/30883.html