ONE PIECEで例える、活性化関数 一同

活性化関数

１：ステップ関数　サカズキ（赤犬）

特徴

閾値を越えたらオン、そうでなければオフ。白黒はっきり。

import numpy as np
import matplotlib.pyplot as plt

###### ステップ関数
def step_function(x):
  # 0 以下の場合は 0 を返し、それ以外は 1を返す
  return np.where(x<=0, 0, 1)

### 実行
x = np.linspace(-5, 5)
y = step_function(x)

plt.plot(x, y)
plt.show()

２：シグモイド関数　チョッパー

特徴

0〜1の間でなめらかに変化。弱い入力でもちょっと反応する。

import numpy as np
import matplotlib.pyplot as plt

###### シグモイド関数
def sigmoid_function(x):
  return 1/(1+np.exp(x)) # exp => ネイピア数の累乗を表す

### 実行 ###
x = np.linspace(-5, 5)
y = sigmoid_function(x)

plt.plot(x, y)
plt.show()

３：tanh（双曲線正接）ゾロ

特徴

-1〜1の間で出力。シグモイドを強調したような「プラスにもマイナスにも反応」する。
極端。

import numpy as np
import matplotlib.pyplot as plt

####### tanh
### -1 から 1 の間を滑らかに変化する関数
def tanh_function(x):
  return np.tanh(x)

### 実行 ###
x = np.linspace(-5, 5)
y = tanh_function(x)

plt.plot(x, y)
plt.show()

４：ReLU（Rectified Linear Unit） ルフィ

特徴

0以下は全部0、0を超えたら直線的に伸びる。シンプルで強力。

import numpy as np
import matplotlib.pyplot as plt

def relu_function(x):
  return np.where(x <= 0, 0, x)

### 実行 ###
x = np.linspace(-5, 5)
y = relu_function(x)

plt.plot(x, y)
plt.show()

５：恒等関数（Identity Function） ブルック

特徴

入力 = 出力。加工なし。

import numpy as np
import matplotlib.pyplot as plt

def relu_function(x):
    return np.where(x <= 0, 0, x)

### 実行 ###
x = np.linspace(-5, 5)
y = relu_function(x)

plt.plot(x, y)
plt.show()

６：ソフトマックス関数（Softmax） ナミ

特徴

: 出力を「確率」に変換し、全部で1になるように分配。多クラス分類で必須。

import numpy as np

def softmax_function(x):
    return np.exp(x) / np.sum(np.exp(x)) # ソフトマックス関数

### 実行
y = softmax_function(np.array([1,2,3]))
print(y)

出力結果

.txt

[0.09003057 0.24472847 0.66524096]