人工神经网络之激活函数 -Sigmoid函数

Sigmoid函数

     Sigmoid 是使用范围最广的一类激活函数，具有指数函数形状 。正式定义为：

代码：

x=-10:0.001:10; %sigmoid和它的导数sigmoid=1./(1+exp(-x));sigmoidDer=exp(-x)./((1+exp(-x)).^2);figure;plot(x,sigmoid,‘r‘,x,sigmoidDer,‘b--‘);axis([-10 10 -1 1]);grid on;title(‘Sigmoid函数（实线）及其导数（虚线）‘);legend(‘Sigmoid原函数‘,‘Sigmid导数‘);set(gcf,‘NumberTitle‘,‘off‘);set(gcf,‘Name‘,‘Sigmoid函数（实线）及其导数（虚线）‘);

输出：

   可见，sigmoid 在定义域内处处可导，且两侧导数逐渐趋近于0，即：

    Bengio 教授等将具有这类性质的激活函数定义为软饱和激活函数。与极限的定义类似，饱和也分为左侧软饱和与右侧软饱和：

左侧软饱和：

右侧软饱和：

    与软饱和相对的是硬饱和激活函数，即：f‘(x)=0，当 |x| > c，其中 c 为常数。

    同理，硬饱和也分为左侧硬饱和和右侧硬饱和。常见的ReLU 就是一类左侧硬饱和激活函数。

Sigmoid 的软饱和性，使得深度神经网络在二三十年里一直难以有效的训练，是阻碍神经网络发展的重要原因。具体来说，由于在后向传递过程中，sigmoid向下传导的梯度包含了一个f‘(x) 因子（sigmoid关于输入的导数），因此一旦输入落入饱和区，f‘(x) 就会变得接近于0，导致了向底层传递的梯度也变得非常小。此时，网络参数很难得到有效训练。这种现象被称为梯度消失。一般来说， sigmoid 网络在 5 层之内就会产生梯度消失现象[Understanding the difficulty of training deep feedforward neural networks]。梯度消失问题至今仍然存在，但被新的优化方法有效缓解了，例如DBN中的分层预训练，Batch Normalization的逐层归一化，Xavier和MSRA权重初始化等代表性技术。

    Sigmoid 的饱和性虽然会导致梯度消失，但也有其有利的一面。例如它在物理意义上最为接近生物神经元。(0, 1) 的输出还可以被表示作概率，或用于输入的归一化，代表性的如Sigmoid交叉熵损失函数。

sigmoid函数

σ(x)=11+e−xσ′(x)=(1−σ(x))σ(x)

证明

∂σ(x)∂x=e−x(1+e−x)2=(1+e−x−11+e−x)(11+e−x)=(1−σ(x))σ(x)(7)(8)(9)