Я грав у простій Нейронній мережі з лише одним прихованим шаром, від Tensorflow, і тоді я спробував різні активації для прихованого шару:
- Relu
- Сигмоїдний
- Softmax (ну зазвичай softmax використовується в останньому шарі ..)
Relu забезпечує найкращу точність поїздів та точність перевірки. Я не впевнений, як це пояснити.
Ми знаємо, що Relu має хороші якості, такі як рідкість, такі як відсутність градієнта тощо, але
Питання: чи нейрон Relu в цілому кращий за сигмоподібні / софтмаксні нейрони? Чи слід майже завжди використовувати нейрони Relu в NN (або навіть CNN)? Я думав, що більш складний нейрон принесе кращий результат, принаймні, точність тренуватися, якщо ми будемо турбуватися про надмірне оснащення.
Дякую PS: Код в основному з "Udacity-Machine learning-Assignment2", що є розпізнаванням notMNIST за допомогою простого 1-прихованого шару-NN.
batch_size = 128
graph = tf.Graph()
with graph.as_default():
# Input data.
tf_train_dataset = tf.placeholder(tf.float32, shape=(batch_size, image_size * image_size))
tf_train_labels = tf.placeholder(tf.float32, shape=(batch_size, num_labels))
tf_valid_dataset = tf.constant(valid_dataset)
tf_test_dataset = tf.constant(test_dataset)
# hidden layer
hidden_nodes = 1024
hidden_weights = tf.Variable( tf.truncated_normal([image_size * image_size, hidden_nodes]) )
hidden_biases = tf.Variable( tf.zeros([hidden_nodes]))
hidden_layer = **tf.nn.relu**( tf.matmul( tf_train_dataset, hidden_weights) + hidden_biases)
# Variables.
weights = tf.Variable( tf.truncated_normal([hidden_nodes, num_labels]))
biases = tf.Variable(tf.zeros([num_labels]))
# Training computation.
logits = tf.matmul(hidden_layer, weights) + biases
loss = tf.reduce_mean( tf.nn.softmax_cross_entropy_with_logits(logits, tf_train_labels) )
# Optimizer.
optimizer = tf.train.GradientDescentOptimizer(0.5).minimize(loss)
# Predictions for the training, validation, and test data.
train_prediction = tf.nn.softmax(logits)
valid_relu = **tf.nn.relu**( tf.matmul(tf_valid_dataset, hidden_weights) + hidden_biases)
valid_prediction = tf.nn.softmax( tf.matmul(valid_relu, weights) + biases)
test_relu = **tf.nn.relu**( tf.matmul( tf_test_dataset, hidden_weights) + hidden_biases)
test_prediction = tf.nn.softmax(tf.matmul(test_relu, weights) + biases)