文档摘要

1.2 激活函数——给梯度留条活路 本节摘要：激活函数是为前向传播注入非线性的开关，也是影响第2章反向传播健康度的第一道闸门。本节对比 Sigmoid、Tanh、ReLU 与 Swish 的曲线、梯度区间和暗坑（饱和、死亡神经元），并给出选型思路。 紧承 1.1 的结论：网络多了层不代表就有本事，还得靠一层叫"激活函数"的零件在每一层把线性变换打碎。 会员。《1.2 激活函数——给梯度留条活路》收录于灏天文库文集《深度学习核心算法精讲：从原理到实践》，原作者/来源：灏天文库，整理自「灏天文库」，提供技术教程、实践指南与问题解决方案，支持在线阅读、全文检索与知识沉淀，助力开发者系统化学习。本站整理收录，版权归原作者/开源协议所有。

该文档为会员专享，请先登录或注册后再查看

登录 注册

---

作者与出处

原作者： 灏天文库

来源：灏天文库

原文： https://aiknowledge.cn/collection/493-%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E6%A0%B8%E5%BF%83%E7%AE%97%E6%B3%95%E7%B2%BE%E8%AE%B2%E4%BB%8E%E5%8E%9F%E7%90%86%E5%88%B0%E5%AE%9E%E8%B7%B5

整理： 灏天文库整理

由灏天文库平台收录，内容或由平台用户上传，仅供学习交流