常用的激活函数代码实现

本文主要是常用的激活函数的实现，侧重于工程方面 没有过多的理论介绍 想要了解理论的可以参考：

常用激活函数（激励函数）理解与总结

神经网络激活函数汇总（Sigmoid、tanh、ReLU、LeakyReLU、pReLU、ELU、maxout）

#Sigmoid 函数
import numpy as np
def Sigmoid(z):
    fz = 1 / (1+np.exp(-z))
    return fz
    

#tanh 函数
import numpy as np 
def Tanh(z):
    tz = (np.exp(z) - np.exp(-z)) / (np.exp(z) + np.exp(-z))
    return tz

#ReLU 函数
def ReLU(z):
    return max(0,z)

def Leaky_ReLU(alpha,z):
    
    #alpha 人们为了解决Dead ReLU Problem，提出了将ReLU的前半段设为 alpha*x而非0，通常alpha=0.01
    
    return max(alpha*z,z)

import numpy as np

def ELU(alpha,z):
    if z > 0 :
        return z
    else:
        return alpha *(np.exp(z) - 1)

#Softmax 函数 多分类函数
def Softmax(z):
    e_z = np.exp(z - np.max(z))
    return e_z /  e_z.sum(axis = 0)

扩展阅读：

机器学习的损失函数