在深度神經網絡（DNN）反向傳播算法(BP)中，我們對DNN的前向反向傳播算法的使用做了總結。里面使用的損失函數是均方差，而激活函數是Sigmoid。實際上DNN可以使用的損失函數和激活函數不少。這些損失函數和激活函數如何選擇呢？下面我們就對DNN損失函數和激活函數的選擇做一個總結。

1. 均方差損失函數+Sigmoid激活函數的問題

　　　　在講反向傳播算法時，我們用均方差損失函數和Sigmoid激活函數做了實例，首先我們就來看看均方差+Sigmoid的組合有什么問題。

　　　　首先我們回顧下Sigmoid激活函數的表達式為：

σ(z)=11+e?zσ(z)=11+e?z

　　　　σ(z)σ(z)的函數圖像如下：

　　　　從圖上可以看出，對于Sigmoid，當zz的取值越來越大后，函數曲線變得越來越平緩，意味著此時的導數σ′(z)σ′(z)也越來越小。同樣的，當zz的取值越來越小時，也有這個問題。僅僅在zz取值為0附近時，導數σ′(z)σ′(z)的取值較大。

　　　　在上篇講的均方差+Sigmoid的反向傳播算法中，每一層向前遞推都要乘以

總結

以上是生活随笔為你收集整理的深度神经网络（DNN）损失函数和激活函数的选择的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。