Funkcje aktywacji

Wprowadzenie do TensorFlow w Pythonie

Isaiah Hull

Visiting Associate Professor of Finance, BI Norwegian Business School

Czym jest funkcja aktywacji?

Elementy typowej warstwy ukrytej
- Liniowy: mnożenie macierzowe
- Nieliniowy: funkcja aktywacji

Dlaczego nieliniowości są ważne

Prosta sieć, w której kwota rachunku i wiek są używane do przewidywania niewykonania zobowiązania.

Dlaczego nieliniowości są ważne

Zależność między kwotą rachunku karty kredytowej a niewykonaniem zobowiązania dla kredytobiorców w wieku 30 lat i poniżej.

Prosty przykład

import numpy as np
import tensorflow as tf

# Define example borrower features
young, old = 0.3, 0.6
low_bill, high_bill = 0.1, 0.5

# Apply matrix multiplication step for all feature combinations
young_high = 1.0*young + 2.0*high_bill
young_low = 1.0*young + 2.0*low_bill
old_high = 1.0*old + 2.0*high_bill
old_low = 1.0*old + 2.0*low_bill

Prosty przykład

# Difference in default predictions for young
print(young_high - young_low)

# Difference in default predictions for old
print(old_high - old_low)

0.8 
0.8

Prosty przykład

# Difference in default predictions for young
print(tf.keras.activations.sigmoid(young_high).numpy() - 
tf.keras.activations.sigmoid(young_low).numpy())

# Difference in default predictions for old
print(tf.keras.activations.sigmoid(old_high).numpy() - 
tf.keras.activations.sigmoid(old_low).numpy())

0.16337568
0.14204389

Funkcja aktywacji sigmoid

Funkcja aktywacji sigmoid
- Klasyfikacja binarna
- Niskopoziomowo: tf.keras.activations.sigmoid()
- Wysokopoziomowo: sigmoid

Wykres funkcji aktywacji sigmoid w przedziale od -10 do 10.

Funkcja aktywacji ReLU

Funkcja aktywacji ReLU
- Warstwy ukryte
- Niskopoziomowo: tf.keras.activations.relu()
- Wysokopoziomowo: relu

Wykres funkcji aktywacji ReLU w przedziale od -10 do 10.

Funkcja aktywacji softmax

Funkcja aktywacji softmax
- Warstwa wyjściowa (>2 klasy)
- Niskopoziomowo: tf.keras.activations.softmax()
- Wysokopoziomowo: softmax

Funkcje aktywacji w sieciach neuronowych

import tensorflow as tf

# Define input layer
inputs = tf.constant(borrower_features, tf.float32)

# Define dense layer 1
dense1 = tf.keras.layers.Dense(16, activation='relu')(inputs)

# Define dense layer 2
dense2 = tf.keras.layers.Dense(8, activation='sigmoid')(dense1)

# Define output layer 
outputs = tf.keras.layers.Dense(4, activation='softmax')(dense2)

Czas na ćwiczenia!

Wprowadzenie do TensorFlow w Pythonie