问CNN中多层膜的激活功能

EN

不仅对于卷积神经网络(CNNs)，对于DNNs (深度神经网络)和RNNs (递归神经网络)，我们在每一层都使用激活函数。Sigmoid (用于二进制分类)、softmax (用于多类分类)或其他类型通常用于最终输出层，每个特定于与预测相比较的标签类型。

然而，其他神经元也需要激活函数，特别是为了非线性目的；最流行的神经元是ReLU (精馏线性单元)、Leaky、tanh、。诸若此类。我们几乎总是对深度学习中的每一个神经元使用激活函数。要获得详细的见解，请看一看：

https://www.youtube.com/watch?v=Xvg00QnyaIY

还特别适用于卷积网：

https://www.youtube.com/watch?v=jPOAS7uCODQ&list=PLkDaE6sCZn6Gl29AoE31iwdVwSG-KnDzF&index=7

希望我能帮上忙，请不要犹豫多问。祝好运!

网络的训练类似于将函数拟合到一些标量数据。如果数据是线性的，那么拟合一个线性函数是合适的，并且会很好地工作。

在深度学习的情况下，数据丰富且非线性，因此我们应用非线性激活函数使模型更加复杂。

我们在中间层使用激活函数的另一个原因是，出于优化的原因，将权重和输出值保持在接近0和“有点”的高斯。