也谈激活函数Sigmoid,Tanh,ReLu,softplus,softmax

机器视觉高级工程师

先看一下wikipedia列出来的这些函数[1]

所谓激活函数，就是在神经网络的神经元上运行的函数，负责将神经元的输入映射到输出端。常见的激活函数包括上面列出的Sigmoid、tanh、ReLu、 softplus以及softmax函数。

这些函数有一个共同的特点那就是他们都是非线性的函数。那么我们为什么要在神经网络中引入非线性的激活函数呢？知乎上有一段很有意思的话[2]：

如果不用激励函数（其实相当于激励函数是f(x) = x），在这种情况下你每一层输出都是上层输入的线性函数，很容易验证，无论你神经网络有多少层，输出都是输入的线性组合，与没有隐藏层效果相当，这种情况就是最原始的感知机（Perceptron）了。正因为上面的原因，我们决定引入非线性函数作为激励函数，这样深层神经网络就有意义了（不再是输入的线性组合，可以逼近任意函数）。最早的想法是sigmoid函数或者tanh函数，输出有界，很容易充当下一层输入（以及一些人的生物解释balabala）。

举个输入 x1, x2 的简单例子来说，如果没有激活函数，那么无论中间有多少层节点，输出总可以写成 x1,x2 的线性表达式： y=a*x1+b*x2 ，这样的网络当然作用有限。所以，引入激活函数就是为了引入非线性因素，以此解决线性模型所不能解决的问题，让神经网络功能更强大。

下面我们分别来看一下上述各个激活函数（这里摘抄了不少来自网络的说法，觉得比较有理的部分就留下来，具体可以参考后面的链接）。

Sigmoid函数

Sigmoid函数是传统神经网络中最常用的激活函数，一度被视为神经网络的核心所在。从数学上来看，Sigmoid函数对中央区的信号增益较大，对两侧区的信号增益小，在信号的特征空间映射上，有很好的效果。从神经科学上来看，中央区酷似神经元的兴奋态，两侧区酷似神经元的抑制态，因而在神经网络学习方面，可以将重点特征推向中央区，将非重点特征推向两侧区。

tanh函数

TanHyperbolic(tanh)函数又称作双曲正切函数,其函数曲线与Sigmoid函数非常相似, 可以通过缩放平移相互变换，

f(x)=\frac{1}{1+e^{-x}}=\frac{e^{x}}{e^{x}+1}=\frac{1}{2}+\frac{1}{2} \tanh(\frac{x}{2})

不过tanh另外有两个好处，均值是０，且在原点附近更接近 y=x （identity function）的形式。均值不为０就意味着自带了一个bias，在计算时是额外的负担，这会使得收敛变得更慢[4]；更接近 y=x 意味着在几何变换运算中更具有优势，比如在激活值较低时（也可以通过变换把结果normalized到[-1,1]之间，tanh在 [-1, 1]的范围内tanh和 y=x 非常非常接近），可以利用indentity function的某些性质，直接进行矩阵运算[5]-[6]。所以tanh在具体应用中比Sigmoid函数更具有优越性，训练相对容易[3]。

缺点就是，函数tanh（蓝色）和函数sigmoid（橙色）一样，在其饱和区的接近于0，都容易产生后续梯度消失、计算量大的问题。

ReLU函数和softplus函数

ReLu函数的全称为Rectified Linear Units。

softplus可以看作是ReLu的平滑。根据神经科学家的相关研究，softplus和ReLu与脑神经元激活频率函数有神似的地方。也就是说，相比于早期的激活函数，softplus和ReLU更加接近脑神经元的激活模型，而神经网络正是基于脑神经科学发展而来。

那么softplus和ReLU相比于Sigmoid的优点在哪里呢？继续采用知乎上的话，

第一，采用sigmoid等函数，算激活函数时（指数运算），计算量大，反向传播求误差梯度时，求导涉及除法，计算量相对大，而采用 Relu激活函数，整个过程的计算量节省很多。
第二，对于深层网络，sigmoid函数反向传播时，很容易就会出现梯度消失的情况（在sigmoid接近饱和区时，变换太缓慢，导数趋于0，这种情况会造成信息丢失），从而无法完成深层网络的训练。
第三，Relu会使一部分神经元的输出为0，这样就造成了网络的稀疏性，并且减少了参数的相互依存关系，缓解了过拟合问题的发生。

第一点很好理解，ReLU 只需要一个阈值就可以得到激活值，而不用去算一大堆复杂的运算。而且有大量的研究表明，ReLU在大型网络的训练中会更快地收敛。

第二点是关键的，sigmoid 最致命的缺点，就是当输入非常大或者非常小的时候出现饱和（saturation），从上图中也可以明显看出，这时神经元的梯度接近于0。所以，使用sigmoid尤其注意参数的初始值，如果初始值很大的话，大部分神经元可能都会处在saturation的状态而把根本就没有gradient，这样的网络无疑是很难学习的。这些比较大的值如果出现在网络中间，效果相同。

相反，使用 ReLU不会出现梯度消失的问题，因为其梯度为1，当然同样也不会有梯度爆炸的问题。这也是为什么使用ReLU得到的SGD的收敛速度会比 sigmoid/tanh 快得多。

顺便说一下概念，梯度爆炸：当梯度g>1且计算次数n比较大时， g^n 有可能会变得非常大；梯度消失：当g<1且计算次数n比较大时，g^n有可能非常小，基本相当于为０。

第三点作为优点是有争议的，如果考虑稀疏性，dropout早就实现了（这里顺便提一下，自从有了ReLU+BatchＮormalization, dropout的使用频率就低多了，当然也有dropout+BN一起用的，只是这种情况比较少）；相反地，第三点也可以算是ReLU的弱点，因为这样容易造成神经元无效（dying relu），当x<0时所有的值都为０了，也就是，所有越过０的那些点在以后层再也不会被激活了，０的梯度永远是０，在不少的论文中，也明确表明ReLU阻止了信息从浅层流向深层流动，如[CVPR-201808.08718 Wide Activation for Efficient and Accurate Image Super-Resolution]。可能也正是为了克服这些弱点，才会出现leaky ReLU和PReLU这样的函数，关于这两个函数，只要看一眼其表达式就不难明白！