การกระตุ้น คือองค์ประกอบสําคัญของเครือข่ายประสาท พวกมันตัดสินว่าเซลล์ประสาทควรจะถูกกระตุ้นหรือไม่ เพื่อลดความสามารถในการเรียนรู้รูปแบบที่ซับซ้อนของเครือข่าย การเข้าใจการทํางานเหล่านี้ และวิธีการคํานวณมัน

การ ทํา สิ่ง ที่ ถูก ต้อง คือ อะไร?

การกระตุ้นฟังก์ชันจะแนะนําความไม่เชิงเส้นเข้าไปในเครือข่าย ถ้าไม่มีเครือข่าย เครือข่ายประสาทก็จะทําตัวเหมือนแบบจําลองเชิงเส้น จํากัดความจุในการแก้ปัญหาที่ซับซ้อนได้ มันเปลี่ยนสัญญาณที่ป้อนเข้าไปเป็นสัญญาณที่ส่งผ่านไปยังชั้นต่อ ๆ ไป

การปฏิบัติการทั่วไป

  • [FLT: 0] Sigmiid: ค่าที่ออกมาระหว่าง 0 ถึง 1 มีประโยชน์ต่อการประมาณความน่าจะเป็น
  • [FLT: 0]. ReLU: ส่งออกข้อมูลโดยตรงหากเป็นบวก; มิฉะนั้น, ศูนย์. มันมีประสิทธิภาพคํานวณ และช่วยลดความโปร่งแสงได้
  • [FLT: 0] Tanh: ค่าของค่าระหว่าง -1 กับ 1 ตรงกลาง 0 ซึ่งสามารถปรับปรุงพลวัตในการฝึกได้

การคอมโพเนนท์ Activation

ฟังก์ชัน expression แต่ละฟังก์ชันมีสูตรทางคณิตศาสตร์ที่ใช้คํานวณผลลัพธ์จากค่านําเข้า เช่น:

[FLT: 0] Sigmoid:
f(x) = 1 / e]] -x

[FLT: 0]. เรลู:
f(x) = สูงสุด (0, x)

[FLTT: 0]. สืบค้นเมื่อ 20 พฤษภาคม พ.ศ.