解析激活函數(shù)作用

激活函數(shù)是用來加入非線性因素的，解決線性模型所不能解決的問題。

下面我分別從這個方面通過例子給出自己的理解~

@lee philip@顏沁睿倆位的回答已經(jīng)非常好了，我舉的例子也是來源于他們，在這里加入了自己的思考，更加詳細的說了一下~

開講~

首先我們有這個需求，就是二分類問題，如我要將下面的三角形和圓形點進行正確的分類，如下圖：

利用我們單層的感知機, 用它可以劃出一條線, 把三角形和圓形樣本分割開：

上圖直線是由

得到，那么該感知器實現(xiàn)預測的功能步驟如下，就是我已經(jīng)訓練好了一個感知器模型，后面對于要預測的樣本點，帶入模型中。

如果y>0,那么就說明是直線的右側，也就是正類（我們這里是三角形）。

如果y<0,那么就說明是直線的左側，也就是負類（我們這里是圓形），雖然這和我們的題目關系不大，但是還是提一下~

好吧，很容易能夠看出，我給出的樣本點根本不是線性可分的，一個感知器無論得到的直線怎么動，都不可能完全正確的將三角形與圓形區(qū)分出來，那么我們很容易想到用多個感知器來進行組合，以便獲得更大的分類問題，好的，下面我們上圖，看是否可行：

好的，我們已經(jīng)得到了多感知器分類器了，那么它的分類能力是否強大到能將非線性數(shù)據(jù)點正確分類開呢~我們來分析一下：

我們能夠得到

哎呀呀，不得了，這個式子看起來非常復雜，估計應該可以處理我上面的情況了吧，哈哈哈哈~不一定額，我們來給它變個形.上面公式合并同類項后等價于下面公式：

嘖嘖，估計大家都看出了，不管它怎么組合，最多就是線性方程的組合，最后得到的分類器本質還是一個線性方程，該處理不了的非線性問題，它還是處理不了。

就好像下圖，直線無論在平面上如果旋轉，都不可能完全正確的分開三角形和圓形點：

既然是非線性問題，總有線性方程不能正確分類的地方~

那么拋開神經(jīng)網(wǎng)絡中神經(jīng)元需不需要激活函數(shù)這點不說，如果沒有激活函數(shù)，僅僅是線性函數(shù)的組合解決的問題太有限了，碰到非線性問題就束手無策了.那么加入激活函數(shù)是否可能能夠解決呢？

在上面線性方程的組合過程中，我們其實類似在做三條直線的組合，如下圖：

下面我們來講一下激活函數(shù)，我們都知道，每一層疊加完了之后，我們需要加入一個激活函數(shù)（激活函數(shù)的種類也很多，如sigmod等等~）這里就給出sigmod例子，如下圖：

通過這個激活函數(shù)映射之后，輸出很明顯就是一個非線性函數(shù)！能不能解決一開始的非線性分類問題不清楚，但是至少說明有可能啊，上面不加入激活函數(shù)神經(jīng)網(wǎng)絡壓根就不可能解決這個問題~

同理，擴展到多個神經(jīng)元組合的情況時候，表達能力就會更強~對應的組合圖如下：（現(xiàn)在已經(jīng)升級為三個非線性感知器在組合了）

跟上面線性組合相對應的非線性組合如下：

這看起來厲害多了，是不是最后再通過最優(yōu)化損失函數(shù)的做法，我們能夠學習到不斷學習靠近能夠正確分類三角形和圓形點的曲線，到底會學到什么曲線，不知道到底具體的樣子，也許是下面這個

那么隨著不斷訓練優(yōu)化，我們也就能夠解決非線性的問題了~

所以到這里為止，我們就解釋了這個觀點，加入激活函數(shù)是用來加入非線性因素的，解決線性模型所不能解決的問題。