machine-learning - 为什么 ReLU 用于神经网络回归？

Question

我正在关注官方 TensorFlow with Keras 教程，但我被困在这里:Predict house prices: regression - Create the model

为什么激活函数用于预测连续值的任务？

代码是:

def build_model():
    model = keras.Sequential([
        keras.layers.Dense(64, activation=tf.nn.relu, 
                   input_shape=(train_data.shape[1],)),
        keras.layers.Dense(64, activation=tf.nn.relu),
        keras.layers.Dense(1)
    ])

    optimizer = tf.train.RMSPropOptimizer(0.001)

    model.compile(loss='mse', optimizer=optimizer, metrics=['mae'])
    return model

Answer 1

在隐藏层中使用非线性激活函数的一般原因是，如果没有它们，无论有多少层或每层有多少个单元，网络的行为都会像一个简单的线性激活函数一样。单元。 Andrew Ng 在这个短视频中对此进行了很好的解释:Why do you need non-linear activation functions?

就您的情况而言，仔细观察，您会发现最终层的激活函数不是隐藏层中的relu，而是线性函数一个(当您未指定任何内容时，这是默认激活，如下所示):

keras.layers.Dense(1)

来自Keras docs :

Dense

[...]

Arguments

[...]

activation: Activation function to use (see activations). If you don't specify anything, no activation is applied (ie. "linear" activation: a(x) = x).

这确实是具有单个连续输出的回归网络所期望的。