深度学习中的 tanh 激活函数

在深度学习中，tanh（双曲正切）是一种常用的激活函数，通常用于神经网络的隐藏层。它的数学表达式为：

[ \text{tanh}(x) = \frac{e^x - e^{-x}}{ex + e^{-x}} ]

Tanh 的输出范围是 ([-1, 1])，这与 sigmoid 函数（输出范围为 ([0, 1])）不同。使用 tanh 有几个优点和缺点：

优点

1. 中心对称：tanh 函数是中心对称的，即对于任何输入 (x)，都有 (\text{tanh}(-x) = -\text{tanh}(x))。这意味着激活值可以是负的，从而更好地处理数据的正负两方面。
2. 缓解梯度消失问题：与 sigmoid 相比，tanh 在零点附近的梯度更大，有助于缓解梯度消失问题。

缺点

1. 梯度消失：尽管比 sigmoid 好一些，但在极端值附近（即输入值很大或很小时），tanh 的梯度依然接近零，可能导致梯度消失问题。
2. 计算复杂：与 ReLU（修正线性单元）相比，tanh 的计算更加复杂，因为它涉及指数计算。

使用场景

Tanh 函数常用于以下场景：

1. 中间层激活函数：在循环神经网络（RNN）中常常使用 tanh 作为中间层的激活函数。
2. 对称数据：当数据的分布是中心对称的（例如均值为零）时，tanh 可以更好地表达数据的特性。

在选择激活函数时，除了 tanh，还可以考虑 ReLU、Leaky ReLU、ELU 等。具体选择哪种激活函数，通常需要根据具体问题和数据进行实验。