今天小編給大家分享的文章是：為什么我們的神經(jīng)網(wǎng)絡(luò)需要激活函數(shù)。神經(jīng)網(wǎng)絡(luò)是機(jī)器學(xué)習(xí)里極為重要的一門(mén)技術(shù)。學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)不僅能讓讓我們掌握一門(mén)強(qiáng)大的機(jī)器學(xué)習(xí)方法，還有利于我們理解深度學(xué)習(xí)技術(shù)。希望通過(guò)這篇文章能讓大家對(duì)神經(jīng)網(wǎng)絡(luò)有一個(gè)更深刻的理解，對(duì)大家的機(jī)器學(xué)習(xí)有所幫助。

文章來(lái)源： DeepHub IMBA微信公眾號(hào)

作者：P**nHub兄弟網(wǎng)站

如果你正在讀這篇文章，那么很可能你已經(jīng)知道什么是神經(jīng)網(wǎng)絡(luò)，什么是激活函數(shù)，但是，一些關(guān)于機(jī)器學(xué)習(xí)的入門(mén)課程并不能很清楚地說(shuō)明，為什么我們需要這些激活函數(shù)。我們需要它們嗎?沒(méi)有它們，神經(jīng)網(wǎng)絡(luò)還能工作嗎?

首先讓我們回顧一下關(guān)于神經(jīng)網(wǎng)絡(luò)的一些事情。它們通常被可視化地表示為一個(gè)類似圖表的結(jié)構(gòu)，如下圖所示:

如上圖所示，神經(jīng)網(wǎng)絡(luò)有3層:輸入層、隱藏層、輸出層，共3、4、2個(gè)神經(jīng)元。輸入層的節(jié)點(diǎn)數(shù)量與數(shù)據(jù)集的特性數(shù)量相同。對(duì)于隱藏層，您可以自由選擇需要多少節(jié)點(diǎn)，并且可以使用多個(gè)隱藏層。

網(wǎng)絡(luò)中的每個(gè)神經(jīng)元，除了那些在輸入層的神經(jīng)元，可以被認(rèn)為是一個(gè)線性分類器，它將前一層神經(jīng)元的所有輸出作為輸入，并計(jì)算這些輸出加上一個(gè)偏置項(xiàng)的加權(quán)和。然后，下一層的神經(jīng)元將前一層線性分類器計(jì)算的值作為輸入，然后計(jì)算這些值的加權(quán)和，依此類推。我們希望，通過(guò)以這種方式結(jié)合線性分類器，我們可以構(gòu)建更復(fù)雜的分類器，可以代表我們的數(shù)據(jù)中的非線性模式。

讓我們看看下面的例子數(shù)據(jù)集:

這個(gè)數(shù)據(jù)集不是線性可分的，我們不能將一個(gè)類從另一個(gè)通過(guò)一條線分開(kāi)。但我們可以通過(guò)使用兩條線作為決策邊界來(lái)實(shí)現(xiàn)這種分離。

所以，我們可能認(rèn)為兩個(gè)中間神經(jīng)元可以完成這個(gè)工作。這兩個(gè)神經(jīng)元將學(xué)習(xí)上圖中的兩條分離線。然后我們需要一個(gè)輸出神經(jīng)元它將之前的兩個(gè)神經(jīng)元作為輸入，這樣它就能正確地進(jìn)行分類。

對(duì)于最后一個(gè)做正確分類的神經(jīng)元，它需要n1和n2隱藏神經(jīng)元的輸出是線性可分的，如果我們把它們畫(huà)在一個(gè)二維平面上。上面畫(huà)的兩條線有方程:

這意味著這兩個(gè)隱藏的神經(jīng)元正在計(jì)算輸入x1和x2的如下線性組合:

我們畫(huà)出n1和n2看看它們是否有用。

我們對(duì)我們的小神經(jīng)網(wǎng)絡(luò)感到失望。n1和n2的輸出仍然不是線性可分的，因此輸出神經(jīng)元不能正確分類。那么，問(wèn)題是什么呢?

問(wèn)題是，任何線性函數(shù)的線性組合仍然是線性的，在一張紙上證明它是正確的并不難。這一事實(shí)的證據(jù)在本文的結(jié)尾。所以，不管我們用了多少層或多少神經(jīng)元，按照我們目前的方式，我們的神經(jīng)網(wǎng)絡(luò)仍然只是一個(gè)線性分類器。

我們需要更多的東西。我們需要將每個(gè)神經(jīng)元計(jì)算出的加權(quán)和傳遞給一個(gè)非線性函數(shù)，然后將這個(gè)函數(shù)的輸出看作那個(gè)神經(jīng)元的輸出。這些函數(shù)稱為激活函數(shù)，它們?cè)谠试S神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)數(shù)據(jù)中的復(fù)雜模式時(shí)非常重要。

[1] 已經(jīng)證明，具有2層(輸入層除外)和非線性激活函數(shù)的神經(jīng)網(wǎng)絡(luò)，只要在這些層中有足夠多的神經(jīng)元，就可以近似任何函數(shù)。那么，如果只有兩層就夠了，為什么人們現(xiàn)在還在使用更深層次的網(wǎng)絡(luò)呢?嗯，僅僅因?yàn)檫@兩層網(wǎng)絡(luò)“能夠”學(xué)習(xí)任何東西，這并不意味著它們很容易優(yōu)化。在實(shí)踐中，如果我們的網(wǎng)絡(luò)產(chǎn)能過(guò)剩，他們就會(huì)給我們提供足夠好的解決方案，即使他們沒(méi)有盡可能地優(yōu)化。

還有更多種類的激活函數(shù)，我們想在上面的示例中使用其中的兩種。它們分別是ReLU(直線單元)和tanh(雙曲正切)，如下圖所示。

如果我們?cè)谑纠惺褂肦eLU激活，將會(huì)發(fā)生什么?下圖是應(yīng)用ReLU激活后n1和n2神經(jīng)元的輸出。

現(xiàn)在，我們的這兩類點(diǎn)可以用直線分開(kāi)，這樣輸出神經(jīng)元就可以正確地對(duì)它們進(jìn)行分類。

如果我們使用tanh激活，也會(huì)發(fā)生類似的事情，但這次我們的點(diǎn)之間的差距更大。

同樣，輸出神經(jīng)元可以正確地分類這些點(diǎn)。

這里有一個(gè)簡(jiǎn)單的數(shù)學(xué)證明，證明任何線性函數(shù)的線性組合仍然是線性的:

其中a0, a1，…，an是不依賴于輸入x1，…，xn的常數(shù)。

我希望這篇文章對(duì)你有用，謝謝閱讀!

參考

[1] Cybenko, G.V. (2006). “Approximation by Superpositions of a Sigmoidal function”. In van Schuppen, Jan H. (ed.). Mathematics of Control, Signals, and Systems. Springer International. pp. 303–314.

作者：Dorian Lazar

deephub翻譯組