我做了些改进，因为实在tensorflow中使用，就将原来的abs()函数替换成了tf.abs()
sigmoid和tanh是“饱和激活函数”，而ReLU及其变体则是“非饱和激活函数”。使用“非饱和激活函数”的优势在于两点： 1.首先，“非饱和激活函数”能解决所谓的“梯度消失”问题。 2.其次，它能加快收敛速度。 Sigmoid函数需要一个实值输入压缩至[0,1]的范围 σ(x) = 1 / (1 + exp(−x)) tanh函数需要讲一个实值输入压缩至 [-1, 1]的范围 tanh(x) = 2σ(2x) − 1 ReLU ReLU函数代表的的是“修正线性单元”，它是带有卷积图像的输入x的最大函数(x,o)。ReLU函数将矩阵x内所有负值都设为零，其余的值不变。ReLU函数的计算是在卷积之后进行的，因此它与tanh函数和sigmoid函数一样，同属于“非线性激活函数”。这一内容是由Geoff Hinton首次提出的。
AI 研习社按：本文由图普科技编译自《Medical Image Analysis with Deep Learning Part2》，是最近发表的《深度学习下的医学图像分析（一）》的后续文章。雷锋网
当激活函数是线性的，一个两层的神经网络就可以基本上逼近所有的函数。但如果激活函数是恒等激活函数的时候，即f(x)=x，就不满足这个性质，而且如果MLP使用的是恒等激活函数，那么其实整个网络跟单层神经网络是等价的；
本文从激活函数的背景知识开始介绍，重点讲解了不同类型的非线性激活函数：Sigmoid、Tanh、ReLU、LReLU、PReLU、Swish，并详细介绍了这些函数的优缺点。
生物神经网络启发了人工神经网络的发展。但是，ANN 并非大脑运作的近似表示。不过在我们了解为什么在人工神经网络中使用激活函数之前，先了解生物神经网络与激活函数的相关性是很有用处的。
在阅读DarkNet源码的时候发现作者定义了大量从古至今流行的损失函数，本着科普的态度我打算做一个全面的总结，所以就有了这篇文章。
选自Learn OpenCV 机器之心编译 参与：路雪、蒋思源 本文从激活函数的背景知识开始介绍，重点讲解了不同类型的非线性激活函数：Sigmoid、Tanh、ReLU、LReLU、PReLU、Swish，并详细介绍了这些函数的优缺点。 本文介绍了多种激活函数，并且对比了激活函数的优劣。本文假设你对人工神经网络（AAN）有基本了解，如果没有，推荐先阅读机器之心介绍过的相关文章： 神经网络快速入门：什么是多层感知器和反向传播？ DNN 概述论文：详解前馈、卷积和循环神经网络技术 1. 什么是激活函数？ 生物神
人工神经网络由多层神经元构成，对于单个神经元而言，首先对接收到的输入信号进行线性组合，示意如下
本文在综述传统激活函数和注意力机制的基础上，解读了一种注意力机制下的激活函数，即自适应参数化修正线性单元（Adaptively Parametric Rectifier Linear Unit，APReLU），希望对大家有所帮助。
选自Medium 作者：Taposh Dutta-Roy 机器之心编译 运用深度学习技术进行图像和视频分析，并将它们用于自动驾驶汽车、无人机等多种应用场景中已成为研究前沿。近期诸如《A Neural Algorithm of Artistic Style》等论文展示了如何将艺术家的风格转移并应用到另一张图像中，而生成新的图像。其他如《Generative Adversarial Networks》（GAN）以及「Wasserstein GAN」等论文为开发能学习生成类似于我们所提供的数据的模型做了铺垫。因此
本文首先简介了一些传统的激活函数和注意力机制，然后重点解读了一种“注意力机制下的新型激活函数”，即自适应参数化修正线性单元（Adaptively Parametric Rectifier Linear Unit，APReLU）。
生物神经网络是人工神经网络的起源。然而，人工神经网络（ANNs）的工作机制与大脑的工作机制并不是十分的相似。不过在我们了解为什么把激活函数应用在人工神经网络中之前，了解一下激活函数与生物神经网络的关联依然是十分有用的。
本文在综述传统静态激活函数和注意力机制的基础上，解读了一种注意力机制下的动态激活函数，即自适应参数化修正线性单元（Adaptively Parametric Rectifier Linear Unit，APReLU），希望对大家有所帮助。
这些Layer都是由一个个神经元组成，每个神经元都接受多个输入，并产生一个输出，就好像人的神经元突触一样。神经元在接收输入时，会各自乘以一定的权重(有时候还会加上一个bias)，并根据自己的激活函数产生输出。权重大则说明神经网络认为它的信息比较重要，权重小则认为神经网络认为它的信息不那么重要。
激活函数（Activation Function）是一种添加到人工神经网络中的函数，旨在帮助网络学习数据中的复杂模式。类似于人类大脑中基于神经元的模型，激活函数最终决定了要发射给下一个神经元的内容。
上期我们一起学习了 深度学习三人行(第3期)---- TensorFlow从DNN入手 简单的介绍了ANN(人工神经网络），并训练了我们第一个DNN(深度神经网络)，但是一个非常浅的DNN，只有两个隐藏层。如果你需要解决一个非常复杂的问题，比如在高分辨率的图像中分辨不上百种不同类型的实体对象，这时候你就需要训练一个更深的DNN来完成，可能是10层，并且每层会包含上百个神经元，并由上成千上百个连接器组成。这时候你将面临如下问题： 你将面临非常诡异的梯度消失或爆炸，这会直接影响DNN的构建并且导致浅层的网络非常
【导读】大家好，我是泳鱼。激活函数是神经网络模型重要的组成部分，本文作者Sukanya Bag从激活函数的数学原理出发，详解了十种激活函数的优缺点。
激活函数是神经网络模型重要的组成部分，今天分享从激活函数的数学原理出发，详解了十种激活函数的优缺点。
原文：Towards Data Science deephub翻译组：zhangzc
本文基于阿里推荐 DIN 和 DIEN 代码，梳理了下深度学习一些概念，以及TensorFlow中的相关实现。
前面一些分享文章提到了激活函数，这篇文章将介绍各种激活函数，下一篇将分享我和同事在业务中对激活函数的一些思考与应用。
选自GitHub 作者：David Sheehan 机器之心编译 在本文中，作者对包括 Relu、Sigmoid 在内的 26 种激活函数做了可视化，并附上了神经网络的相关属性，为大家了解激活函数提供了很好的资源。 在神经网络中，激活函数决定来自给定输入集的节点的输出，其中非线性激活函数允许网络复制复杂的非线性行为。正如绝大多数神经网络借助某种形式的梯度下降进行优化，激活函数需要是可微分（或者至少是几乎完全可微分的）。此外，复杂的激活函数也许产生一些梯度消失或爆炸的问题。因此，神经网络倾向于部署若干个特定的
在神经网络中，激活函数决定来自给定输入集的节点的输出，其中非线性激活函数允许网络复制复杂的非线性行为。正如绝大多数神经网络借助某种形式的梯度下降进行优化，激活函数需要是可微分（或者至少是几乎完全可微分的）。此外，复杂的激活函数也许产生一些梯度消失或爆炸的问题。因此，神经网络倾向于部署若干个特定的激活函数（identity、sigmoid、ReLU 及其变体）。
摘要：本文主要介绍阿里的深度兴趣网络DIN模型。为了解决推荐领域中用户历史行为包含大量用户兴趣信息，但只有一小部分用户兴趣信息会最终影响用户点击行为的问题，阿里引入Attention机制提升相关商品的权重同时降低非相关商品的权重，最终实现对用户历史行为进行加权的目的。同时讲了DIN模型中其他具有借鉴价值的工程实践，包括自适应正则Regularization、自适应激活函数Dice和评价指标使用GAUC替代AUC。
激活函数是神经网络中非常重要的一个内容，神经网络是受到生物神经网络的启发，在生物神经网络中也存在着激活函数，而且激活函数决定了神经元之间是否要传递信号，而在人工的神经网络中，激活函数的作用则主要是给网络添加非线性因素，使得网络可以逼近任意复杂的函数，一个简单的神经元如下图所说，其中 f 表示的就是激活函数。
今天我们学习下阿里的深度兴趣网络（Deep Interest Network，以下简称 DIN），目前很多应用在推荐系统中的模型，都是以 Embedding & MLP 的方法结合，这种方法相对传统机器学习有较好的效果提升，但是在其还是存在一些缺点：
在激活层中，对输入数据进行激活操作,是逐元素进行运算的,在运算过程中，没有改变数据的大小，即输入和输出的数据大小是相等的。神经网络中激活函数的主要作用是提供网络的非线性建模能力，如不特别说明，激活函数一般而言是非线性函数。假设一个示例神经网络中仅包含线性卷积和全连接运算，那么该网络仅能够表达线性映射，即便增加网络的深度也依旧还是线性映射，难以有效建模实际环境中非线性分布的数据。加入（非线性）激活函数之后，深度神经网络才具备了分层的非线性映射学习能力。因此，激活函数是深度神经网络中不可或缺的部分。
通过前面深度神经网络之前向传播算法和深度神经网络之反向传播算法的学习，我们能够了解到损失函数是用来评估模型的预测值与真实值之间的差异程度。另外损失函数也是神经网络中优化的目标函数，神经网络训练或者优化的过程就是最小化损失函数的过程，损失函数越小，说明模型的预测值就越接近真实值，模型的准确性也就越好。前面我们已经学习过平方损失函数，对数损失函数、交叉熵损失函数等不同形式的损失函数，这里也就不做太多介绍。
Yann LeCun曾说，深度卷积神经网络（CNN）会“解决”ImageNet。但我们没想到进步会这么快。根据微软公司公布的信息，由于prelu激活函数和更好的初始化，微软亚洲研究院视觉计算组所开发的基于CNN的计算机视觉系统，在ImageNet 1000 挑战中首次超越了人类进行对象识别分类的能力。 微软研究团队在题为“Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification”的论
1.22.Linear常用激活函数 1.22.1.ReLU torch.nn.ReLU() 1.22.2.RReLU torch.nn.RReLU() 1.22.3.LeakyReLU torch.nn.LeakyReLU() 1.22.4.PReLU torch.nn.PReLU() 1.22.5.Sofplus torch.nn.Softplus() 1.22.6.ELU torch.nn.ELU() 1.22.7.CELU torch.nn.CELU() 1.22.8.SELU torch.nn.SELU() 1.22.9.GELU torch.nn.GELU() 1.22.10.ReLU6 torch.nn.ReLU6() 1.22.11.Sigmoid torch.nn.Sigmoid() 1.22.12.Tanh torch.nn.Tanh() 1.22.13.Softsign torch.nn.Softsign() 1.22.14.Hardtanh torch.nn.Hardtanh() 1.22.15.Threshold torch.nn.Threshold() 1.22.16.Tanhshrink torch.nn.Tanhshrink() 1.22.17.Softshrink torch.nn.Softshrink() 1.22.18.Hardshrink torch.nn.Hardshrink() 1.22.19.LogSigmoid torch.nn.LogSigmoid() 1.22.20.Softmin torch.nn.Softmin() 1.22.21.Softmax torch.nn.Softmax() 1.22.22.LogSoftmax torch.nn.LogSoftmax()
博士一把年纪，理论物理已经没心读下去了，不知廉耻来知乎卖萌，还是深度学习卖萌，才转行半年多就敢出来卖，好羞耻呀～喵～
深度学习基础入门篇四：激活函数介绍:tanh、sigmoid、ReLU、PReLU、ELU、softplus、softmax、swish等
来源：Deephub Imba本文共3400字，建议阅读5分钟本篇文章中我们将讨论神经网络中常见的激活函数，并使用可视化技术帮助你了解激活函数的函数定义和不同的使用场景。 我们都知道神经网络模型中使用激活函数的主要目的是将非线性特性引入到我们的网络中，强化网络的学习能力。激活函数应用于隐藏层和输出层中每个节点的称为 z 的输入加权和（此处输入可以是原始数据或前一层的输出）。 在本篇文章中我们将讨论神经网络中常见的激活函数，并使用可视化技术帮助你了解激活函数的函数定义和不同的使用场景。 在看完本文章后，你可以
由惑而生，所以我打算总结一下深度学习模型中常用的激活函数的一些特性，方便大家日后为模型选择合适的激活函数。 说到激活函数，就不能不提神经网络或者深度学习，从一个新手入门深度学习领域，我觉得首先需要理解三个基本的构成要素：
前一篇文章我们具体讲述了神经网络神经元的基本构造，以及引入了神经网络一些概念性质，有了这些基础我们就能更好的理解每一层神经网络究竟要做什么，如何工作的。
人脸识别在实际的生活中有着广泛的应用，得益于深度学习的发展，使得人脸识别的准确率得到大幅度提升。然而，为了做好人脸识别，第一步需要做的是对人脸检测，主要是通过对图片分析，定位出图片中的人脸。近年来，深度学习在人脸检测方面也得到了大力发展，在2016年Kaipeng Zhang, Zhanpeng Zhang等人提出了人脸检测算法MTCNN（Multi-task Cascaded Convolutional Networks）模型[1]，MTCNN算法的效果也是得到了很多实际项目的验证，在工业界得到了广泛的应用，在我个人的实际项目中也得到了较多应用。在MTCNN算法中，主要有三点的创新：
论文地址：https://arxiv.org/pdf/2007.11824.pdf
人工智能，深度学习，机器学习—无论你在做什么，如果你对它不是很了解的话—去学习它。否则的话不用三年你就跟不上时代的潮流了。 ——马克.库班 马克.库班的这个观点可能听起来很极端——但是它所传达的信息是完全正确的！ 我们正处于一场革命的旋涡之中——一场由大数据和计算能力引起的革命。 只需要一分钟，我们来想象一下，在20世纪初，如果一个人不了解电力，他/她会觉得如何？你会习惯于以某种特定的方式来做事情，日复一日，年复一年，而你周围的一切事情都在发生变化，一件需要很多人才能完成的事情仅依靠一个人和电力就可以轻松搞
小编邀请您，先思考： 深度学习有哪些重要概念，怎么理解？ 深度学习和机器学习有什么异同？ 人工智能，深度学习，机器学习—无论你在做什么，如果你对它不是很了解的话—去学习它。否则的话不用三年你就跟不上时代的潮流了。 ——马克.库班 马克.库班的这个观点可能听起来很极端——但是它所传达的信息是完全正确的！ 我们正处于一场革命的旋涡
如果不用激活函数，每一层输出都是上层输入的线性函数，无论神经网络有多少层，最终的输出都是输入的线性组合。 激活函数给神经元引入了非线性因素，使得神经网络可以任意逼近任何非线性函数。
Softmax回归可以算是多分类问题logistic回归，它和神经网络的最大区别是没有隐含层。理论上只要隐含节点足够多，即时只有一个隐含层的神经网络也可以拟合任意函数，同时隐含层越多，越容易拟合复杂结构。为了拟合复杂函数需要的隐含节点的数目，基本上随着隐含层的数量增多呈指数下降的趋势，也就是说层数越多，神经网络所需要的隐含节点可以越少。层数越深，概念越抽象，需要背诵的知识点就越少。在实际应用中，深层神经网络会遇到许多困难，如过拟合、参数调试、梯度弥散等。
1 根据访问用户id从后台数据库调出其在最近一段时间内（一般2周）的所有淘宝网访问购买点击记录；
在ReLU函数的基础上，又出现了几种变形函数。这里我们暂且不讨论这些函数作为激活函数的优势与不足。
领取专属 10元无门槛券
手把手带您无忧上云
