知识卡片
Sigmoid与tanh饱和
Sigmoid 将实数映射到 0 到 1,tanh 映射到 −1 到 1;二者在输入绝对值较大时趋于饱和,导数变小。深层网络反复相乘这些小导数可能使梯度衰减,具体训练表现还取决于权重和结构。
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
- · 第6章 神经网络
原书出处 · 1 处
- 神经网络 · 查看原书依据
tanh函数能够把输入的连续实值变换为-1~1之间的输出。
参考来源
- 位置:《现代人工智能技术》第6章《神经网络》(来源项目:book-source;源文件:extracted/现代人工智能技术/_epub-src/EPUB/xhtml/chapter8.xhtml)
- 结论依据:原文比较两种激活的输出区间及梯度消失风险。
- 原始内容:tanh函数能够把输入的连续实值变换为-1~1之间的输出。