你好，我是 Giant。
神经网络得益于强大的非线性拟合能力，可以自动完成特征提取工作，在NLP、CV、ASR、推荐、搜索等领域发挥了广泛的应用。
这里的拟合能力，主要来自于非线性激活函数。
最近我总结了7个深度学习训练中常用的激活函数，并对它们的特点和优劣做了整理。激活函数也是算法面试中常考主题，建议同学们提前收藏备需！
1.sigmoid
sigmoid 是最基础的激活函数，可以将任意数值转换为概率（缩放到0～1之间），在分类等场景中有广泛的应用。
sigmoid的公式也非常简洁优雅：
主要优点：
- 函数的映射范围是 0 到 1，对每个神经元的输出进行了归一化
- 梯度平滑，避免「跳跃」的输出值
- 函数是可微的，意味着可以找到任意两个点的 sigmoid 曲线的斜率
- 预测结果明确，即非常接近 1 或 0
缺点：
- 倾向于梯度消失
- 函数输出不是以 0 为中心的，会降低权重更新的效率
- Sigmoid 函数执行指数运算，计算机运行得较慢
2.Tanh 双曲正切激活函数
激活函数Tanh和sigmoid类似，都是 S 形曲线，输出范围是[-1, 1]。
在一般的二元分类问题中，tanh 函数常用于隐藏层，sigmoid 用于输出层，但这并不是固定的，需要根据特定问题进行调整。
相比sigmoid，tanh的优势在于：
- tanh 的输出间隔为 1，并且整个函数以 0 为中心，比 sigmoid 函数更好
- 在负输入将被强映射为负，而零输入被映射为接近零。
缺点：
- 当输入较大或较小时，输出几乎是平滑的并且梯度较小，这不利于权重更新
- 依然存在指数计算量大的问题
3.ReLU 整流线性单元
Relu也是深度学习中非常流行的激活函数，近两年大火的Transformer模块由Attention和前馈神经网络FFN组成，其中FFN(即全连接)又有两层，第一层的激活函数就是ReLU，第二层是一个线性激活函数。
相比sigmoid和tanh，它具有以下优点：
- 当输入为正时，不存在梯度饱和问题
- 计算复杂度低。ReLU 函数只存在线性关系，一个阈值就可以得到激活值
- 单侧抑制，可以对神经元进行筛选，让模型训练更加鲁棒
当然它也存在缺点：
- dead relu 问题（神经元坏死现象）。relu在训练的时很“脆弱”。在x<0时，梯度为0，这个神经元及之后的神经元梯度永远为0，不再对任何数据有所响应，导致相应参数永远不会被更新
- 解决方法：采用Xavier初始化方法，以及避免将learning rate设置太大或使用adagrad等自动调节learning rate的算法。
- 输出不是 0 均值
4.Leaky ReLU 渗漏整流线性单元
为了解决dead relu问题，Leaky relu用一个类似0.01的小值来初始化神经元，从而使得relu在负数区域更偏向于激活而不是坏死，这里的斜率都是确定的。
从理论上讲，Leaky ReLU 具有 ReLU 的所有优点，但在实际中尚未完全证明 Leaky ReLU 总是比 ReLU 更好。
5.ELU 指数线形单元
ELU 的提出也解决了 ReLU 的问题。与 ReLU 相比，ELU 有负值，这会使激活的平均值接近零，让模型学习得更快。
其中a不是固定的，是通过反向传播学习出来的。ELU的一个小问题是需要exp计算，运算量会更大一些。
6.GELU 高斯误差线性单元
激活函数GELU的灵感来源于 relu 和 dropout，在激活中引入了随机正则的思想。gelu通过输入自身的概率分布情况，决定抛弃还是保留当前的神经元。
可以理解为，对于输入的值，根据它的情况乘上 1 或 0。更「数学」一点的描述是，对于每一个输入 x，其服从于标准正态分布 N(0, 1)，它会乘上一个伯努利分布 Bernoulli(Φ(x))，其中Φ(x) = P(X ≤ x)。
随着 x 的降低，它被归零的概率会升高。对于 ReLU 来说，这个界限就是 0，输入少于零就会被归零。这一类激活函数，不仅保留了概率性，同时也保留了对输入的依赖性。
gelu在最近的Transformer模型中（包括BERT，RoBertA和GPT2等）得到了广泛的应用。
优点：
- 似乎是 NLP 领域的当前最佳；尤其在 Transformer 模型中表现最好
- 能避免梯度消失问题。
7.Maxout
激活函数本质上可以作为一个激活层来使用，而maxout相对来说更灵活，直接将激活层的部分替换为一个新的隐层结构，简单粗暴点说就是用一个隐层来作为激活函数，而这个隐层的神经元个数（maxout的参数k）可以人工指定。
比如指定参数k=5，maxout层就如下所示：
相当于在每个输出神经元前面又多了一层。这一层有5个神经元，此时maxout网络的输出计算公式为：
这就是为什么采用maxout的时候，参数个数成k倍增加的原因。本来只需要一组参数就够了，采用maxout后，就需要有k组参数。
Maxout是通过分段线性函数来拟合所有可能的凸函数来作为激活函数的，但是由于线性函数是可学习，所以实际上是可以学出来的激活函数。具体操作是对所有线性取最大，也就是把若干直线的交点作为分段的边界，然后每一段取最大。
maxout 具有以下优点：
- Maxout的拟合能力非常强，可以拟合任意的凸函数
- 具有ReLU的所有优点，线性、不饱和性
- 不会出现神经元坏死的现象。
缺点：增加了参数量。显然这计算量太大了。常规的激活函数就只是单纯的函数而已，而maxout还需要反向传播去更新它自身的权重系数。。
以上就是深度学习领域常用的非线性激活函数，你都掌握了吗？
