sigmoid函数和tanh函数是研究早期被广泛使用的2种激活函数。两者都为S型饱和函数。
- 。
tanh激活函数是sigmoid 函数的改进版，是以零为中心的对称函数，收敛速度快，不容易出现 loss 值晃动，。
2个函数的计算量都是指数级的，计算相对复杂。softsign 函数是 tanh 函数的改进版，为 S 型饱和函数，以零为中心，值域为(−1，1)。
更多可以直接看
有木有发现，伯努利分布加上log就是交叉熵。
另外其实可以理解交叉熵就是极大似然估计加上log。
描述
梯度消失是指模型在反向传播的过程中，更上层模型获取到的梯度值越来越小，导致更上层的权重基本保持不变，导致整个模型无法正常收敛以及训练。
解决方式？
他提出应该在每一层网络的输出的方差等于其输入的方差。但是除非该层具有相等数量的输入和神经元，否则这条条件无法满足，故提出一些这种方案，像Xavier初始化或者Glorot初始化。
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容，请联系我们，一经查实，本站将立刻删除。
如需转载请保留出处：https://51itzy.com/kjqy/180335.html