【发布时间】：2012-07-25 12:34:59
【问题描述】：
我刚刚开始为神经网络编程。我目前正在研究反向传播 (BP) 神经网络的工作原理。虽然在 BP 网络中训练的算法非常简单，但我找不到任何关于该算法为何有效的文本。更具体地说，我正在寻找一些数学推理来证明在神经网络中使用 sigmoid 函数是合理的，以及是什么让它们模仿了几乎所有扔给它们的数据分布。
谢谢！
【问题讨论】：
标签： neural-network backpropagation
【发布时间】：2012-07-25 12:34:59
【问题描述】：
sigmoid 函数在网络中引入了非线性。如果没有非线性激活函数，网络只能学习作为其输入线性组合的函数。结果被称为universal approximation theorem 或Cybenko theorem，以这位先生在 1989 年证明它的名字命名。Wikipedia 是一个很好的起点，它有一个指向原始论文的链接（虽然证明有点涉及）。使用 sigmoid 而不是其他东西的原因是它是连续且可微的，它的导数计算速度非常快（与具有相似属性的 tanh 的导数相反）并且范围有限（从 0到 1，独占）
【讨论】：
-
不错的答案，但假设“连续（因此可微）”不成立。示例：abs(x) 在零处连续但不可微分。
-
维基百科的文章是这么说的："Kurt Hornik 在 1991 年表明，不是激活函数的具体选择，而是多层前馈架构本身赋予了神经网络潜力作为通用逼近器。输出单元总是被假定为线性的。” 事实上，它似乎并没有说明需要非线性激活函数。但是该定理的正式陈述确实说“非常量、有界和单调递增的连续函数”——也许 有界 和单调部分意味着非线性？
-
@Desty，线性激活函数将整个网络变成线性分类器（线性函数的线性组合仍然是线性的），这使得隐藏单元无用。
-
有趣的是，深度学习领域已经转向了整流器单元，它本质上是一个线性函数。
-
“没有它，网络只能学习作为其输入线性组合的函数。” “它”是什么意思？ 'sigmoid 函数'，'非线性'还是只是'激活函数'？