具有神经网络的线性系统中的 sigmoid() 或 tanh() 激活函数答案

【问题标题】：sigmoid() or tanh() activation function in linear system with neural network具有神经网络的线性系统中的 sigmoid() 或 tanh() 激活函数
【发布时间】：2017-03-30 16:09:33
【问题描述】：

我正在尝试构建一个神经网络来研究一个具有连续输出变量的问题。下面描述了所使用的神经网络的示意图

Schematic representation of neural network: input layer size = 1; hidden layer size = 8; output layer size = 1.

在这种情况下，我有什么理由应该使用 tanh() 激活函数而不是 sigmoid() 激活函数？我过去一直使用 sigmoid() 激活函数来解决使用神经网络的逻辑回归问题，我不清楚当有连续输出变量时是否应该使用 tanh() 函数。

它是否取决于连续输出变量的值？例如： (i) 当输出变量从 0 标准化到 1 时使用 sigmoid() (ii) 当输出变量为负值时使用 tanh()。

提前致谢

【问题讨论】：

我认为它们是等价的。如果你使用 (1 + tanh())/2.0，它看起来很像 sigmoid。
标准逻辑函数与双曲正切的很好解释可以在这里找到yann.lecun.com/exdb/publis/pdf/lecun-98b.pdf
感谢您提供非常有用和有趣的参考 bb01234。我想我在第 4.4 节中找到了我的问题的一个很好的答案

标签： machine-learning neural-network sigmoid

【解决方案1】：

除了 0.5 偏差之外，两者在功能上几乎相同。重要的部分是

在接近 0 的“训练兴趣范围”中的梯度大约为 1；
极值的梯度大致为 0。

一旦你看过这些，我怀疑你会更担心的是计算效率。 tanh 在大多数架构上计算成本很高。如果这是您的担心，请考虑编写您自己的函数，也许是一个查找表，其中包含范围 [-4,4] 的 2^10 个预先计算的值，以及该范围之外的“rail”值（-1 和 1） .

【讨论】：

感谢您的回答修剪。您的回复和 bb01234 建议的文档第 4.4 节对我有很大帮助。谢谢