啟用函式的作用

在神經網路中，啟用函式的作用是能夠給神經網路加入一些非線性因素，使得神經網路可以更好地解決較為複雜的問題。
我們嘗試引入非線性的因素，對樣本進行分類。

在神經網路中也類似，我們需要引入一些非線性的因素，來更好地解決複雜的問題。而啟用函式恰好就是那個能夠幫助我們引入非線性因素的存在，使得我們的神經網路能夠更好地解決較為複雜的問題。

常見的啟用函式有Sigmoid，Relu，tanh等。
關於上述函式的公式，在此不贅述。

Sigmoid函式如下：

tanh函式如下：

Relu函式如下：

在Tensorflow中使用啟用函式
以Relu函式為例：

import tensorflow as tf

# 預設Tensorflow會話
 

sess = tf.InteractiveSession()

# Relu函式處理負數
print("anwser 1:",tf.nn.relu(-2.9).eval())
# Relu函式處理正數
print("anwser 2:",tf.nn.relu(3.4).eval())

# 產生一個4x4的矩陣，滿足均值為0，標準差為1的正態分佈
a = tf.Variable(tf.random_normal([4,4],mean=0.0, stddev=1.0))

# 對所有變數進行初始化，這裡對a進行初始化
tf.global_variables_initializer().run()

# 輸出原始的a的值
 

print("原始矩陣:\n",a.eval())

# 對a使用Relu函式進行啟用處理，將結果儲存到b中
b = tf.nn.relu(a)

# 輸出處理後的a，即b的值
print("Relu函式啟用後的矩陣:\n",b.eval())

結果如下：（由於不同的機器，執行結果會有不同）

anwser 1: 0.0
anwser 2: 3.4
原始矩陣:
 [[-0.42271236  0.70626765  0.4220579  -1.19738662]
 [-0.09090481  1.20085275 -1.37331688 -0.28922254]
 [-0.63343877  0.04532439 -0.98322827 -0.01032094]
 [ 0.364104    1.00423157  0.23247592 -1.13028443]]
 

Relu函式啟用後的矩陣:
 [[ 0.          0.70626765  0.4220579   0.        ]
 [ 0.          1.20085275  0.          0.        ]
 [ 0.          0.04532439  0.          0.        ]
 [ 0.364104    1.00423157  0.23247592  0.        ]]

可以發現，對於輸入是一個數字來說，輸出滿足公式。對於輸入引數是一個矩陣的情況，relu函式對矩陣中的每一個數字均使用了Relu函式進行處理，負數直接變為0.0，正數保持不變。

其他的啟用函式亦是如此。