3.3.4　反馈神经网络原理的激活函数

现在回到反馈神经网络的函数：

对于此公式中的、以及所需要计算的目标已经做了较详尽的解释，对则没有介绍。

回到前面生物神经元的图示中，传递进来的电信号通过神经元进行传递，由于神经元的突触强弱是有一定敏感度的，也就是只会对超过一定范围的信号进行反馈，即：这个电信号必须大于某个阈值，神经元才会被激活以引起后续的传递。

在训练模型中同样需要设置神经元的阈值，即神经元被激活的频率用于传递相应的信息，模型中这种能够确定是否当前神经元节点的函数被称为“激活函数”，如图3.22所示。

激活函数代表了生物神经元中接收到的信号强度，目前应用范围较广的sigmoid函数。因为其在运行过程中只接受一个值，输出也是一个经过公式计算后的值，且其输出值为0~1之间。

其图形如图3.23所示。

其倒函数的求法较为简单，即：

换一种表示方式为：

sigmoid输入一个实值的数，之后将其压缩到0~1之间。较大值的负数被映射成0，大的正数被映射成1。

顺便说一句，sigmoid函数在神经网络模型中占据了很长一段时间的统治地位，但是目前已经不常使用，主要原因是其非常容易区域饱和，当输入开始非常大或者非常小的时候，其区域零会造成梯度传播过程中产生接近于0的传播梯度。这样在后续的传播时，会造成梯度消散的现象，因此并不适合现代的神经网络模型使用。

除此之外，近年来涌现出大量新的激活函数模型，例如Maxout、Tanh和ReLU，这些都是为了解决传统的sigmoid模型在更深程度上的神经网络所产生的各种不良影响。sigmoid函数的具体实现请读者参考相关资料自行完成。