Activation function 激励函数
学习资料:
今天讲一下在神经网络中激励函数的作用和如何运作，以及 Theano 中有哪些激励函数。
什么是 Activation function¶
首先，什么是 Activation function？
在这个视频中有提到 什么是神经网络 如下图，在这三个中间层中，有激活函数，相当于过滤器或者激活器，作用就是会使一些特征被激活 Activate，同时另一些特征不被激活 Deactivate， 例如，当猫的图片数据传递到第一个隐藏层时，在这个激励函数作用下，大于 0 的数据乘以 1 保持原样，小于 0 的数据乘以 0 变为 0，被 Deactivate。
有多种激活函数，例如，当传递进来的值越小时，作用后就会越接近 0， 当传递进来的值越大时，作用后就会越接近 1。 还有可以计算线性或者非线性关系的，或者可以计算概率的激活函数。 总而言之，激活函数的作用就是使重要的信息被激励，不重要或者反向的信息不被激励。传进来的值，经过这种变化，得到另一种结果，而这正是我们需要的。
几种常用激活函数¶
Theano 中可以用的激励函数可以在这个 链接 中找到。 进入这个链接，以 theano.tensor.nnet.nnet.sigmoid(x) 为例。 Sigmoid 函数就是可以做到，当输入值小于 0 并且越小时，输出值就会越接近 0， 当输入值大于 0 并且越大时，输出值就会越接近 1。常被用于分类问题中。 还有其他几种拓展函数，例如 softplus()，当输入值小于 0 时，输出值接近 0， 当输入值大于 0 时，输出值是非线性的上升关系。可以很好地处理具有非线性的逻辑关系的输入值。 relu()， 当输入值小于 0 时，输出值全部等于 0， 当输入值大于 0 时，输出值是线性关系。 常用的有 softplus()，softmax()，relu() 这三种，当然还有 tanh() 等等。 在实际中可以尝试在不同的神经层中，放入不同的激活函数，尝试得到不同的效果。具体问题具体分析，会发现有些激活函数并不适合当前的问题。
应用场景¶
在隐藏层中，可以用 relu, tanh, softplus 等非线性的激活函数。 在分类问题中，可以用 sigmoid ，softmax 来求概率。例如选择 N 类中概率最大的那一类作为预测值。 在回归问题中，可以什么激活函数都不用，只用 linear function，或者对于 价格，高度 这种非负的变量，可以在输出层用 relu 这种非负的激活函数，使输出值非负。
