知识卡片
sigmoid 的两个结构性缺陷
sigmoid 不适合做隐藏层激活,原因有两条。其一,sigmoid(0) 等于 1⁄2 而非 0,输入加权和为零的神经元仍输出正数,下一层就带着系统性偏移,优化更费劲。其二,两端饱和区的导数趋近 0,梯度逐层相乘后迅速衰减,出现梯度消失,权重更新停滞。tanh 是同一族 S 形函数,但值域 -1~1、过原点,导数 1 - tanh(x)²,零中心的问题随之消失;ReLU 更彻底,负输入输出 0、正输入原样输出,正区间导数恒为 1,既缓解消失又计算便宜。代价是 ReLU 在负区间梯度为 0,学习率过大或初始化不当会让神经元永久失活。书中 Fizz Buzz 与 MNIST 都改用 tanh,正是对这两点的取舍。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第19章 深度学习 · 查看原书依据
sigmoid 函数因为两个原因而不被广泛应用:一个原因是,sigmoid(0) 等于 1/2,这意味着输入总和为 0 的神经元的输出为正;另一个原因是,对于非常大和非常小的输入,其梯度非常接近 0,这意味着其梯度可能会“消失”,导致权重更新停滞。
参考来源
- 位置:《数据科学入门(第2版)》第19章 深度学习(源文件:extracted/数据科学入门(第2版)/_epub-src/OEBPS/Text/0023.xhtml)
- 结论依据:原文这一段直接给出本卡的核心判断:「sigmoid 函数因为两个原因而不被广泛应用:一个原因是,sigmoid(0)……」
- 原始内容:sigmoid 函数因为两个原因而不被广泛应用:一个原因是,sigmoid(0) 等于 1/2,这意味着输入总和为 0 的神经元的输出为正;另一个原因是,对于非常大和非常小的输入,其梯度非常接近 0,这意味着其梯度可能会“消失”,导致权重更新停滞。