Python | Tensorflow nn.tanh()
哎哎哎:# t0]https://www.geeksforgeeks.org/python-tensorlow-nn-tanh/
Tensorflow 是谷歌开发的开源机器学习库。其应用之一是开发深度神经网络。
模块 tensorflow.nn 为许多基本的神经网络操作提供支持。
众多激活函数之一是双曲正切函数(也称为 tanh)，定义为
。
双曲正切函数在(-1，1)范围内输出，因此将强负输入映射为负值。与 sigmoid 函数不同，只有接近零的值被映射到接近零的输出，这在一定程度上解决了“消失梯度”问题。双曲正切函数在每个点都是可微的，其导数为
。由于表达式包含 tanh 函数，因此可以重用它的值来加快反向传播。
尽管与 sigmoid 函数相比，网络被“卡住”的几率较低，但双曲正切函数仍然存在“消失梯度”的问题。整流线性单元可以用来克服这个问题。
函数 TF.nn.tanh()[别名 tf.tanh]为 Tensorflow 中的双曲正切函数提供支持。
语法 : tf.nn.tanh(x，name=None)或 tf.tanh(x，name=None) 参数: x :以下任一类型的张量:float16、float32、double、complex64 或 complex128。 名称(可选):操作的名称。 返回:与 x 类型相同的张量。
代码#1:
蟒蛇 3
# Importing the Tensorflow library
import tensorflow as tf
# A constant vector of size 6
a = tf.constant([1.0, -0.5, 3.4, -2.1, 0.0, -6.5], dtype = tf.float32)
# Applying the tanh function and
# storing the result in 'b'
b = tf.nn.tanh(a, name ='tanh')
# Initiating a Tensorflow session
with tf.Session() as sess:
print('Input type:', a)
print('Input:', sess.run(a))
print('Return type:', b)
print('Output:', sess.run(b))
输出:
Input type: Tensor("Const_2:0", shape=(6, ), dtype=float32)
Input: [ 1\. -0.5 3.4000001 -2.0999999 0\. -6.5 ]
Return type: Tensor("tanh_2:0", shape=(6, ), dtype=float32)
Output: [ 0.76159418 -0.46211717 0.9977749 -0.97045201 0\. -0.99999547]
代码#2: 可视化
蟒蛇 3
# Importing the Tensorflow library
import tensorflow as tf
# Importing the NumPy library
import numpy as np
# Importing the matplotlib.pyplot function
import matplotlib.pyplot as plt
# A vector of size 15 with values from -5 to 5
a = np.linspace(-5, 5, 15)
# Applying the tanh function and
# storing the result in 'b'
b = tf.nn.tanh(a, name ='tanh')
# Initiating a Tensorflow session
with tf.Session() as sess:
print('Input:', a)
print('Output:', sess.run(b))
plt.plot(a, sess.run(b), color = 'red', marker = "o")
plt.title("tensorflow.nn.tanh")
plt.xlabel("X")
plt.ylabel("Y")
plt.show()
输出:
Input: [-5\. -4.28571429 -3.57142857 -2.85714286 -2.14285714 -1.42857143
-0.71428571 0\. 0.71428571 1.42857143 2.14285714 2.85714286
3.57142857 4.28571429 5\. ]
Output: [-0.9999092 -0.99962119 -0.99842027 -0.99342468 -0.97284617 -0.89137347
-0.61335726 0\. 0.61335726 0.89137347 0.97284617 0.99342468
0.99842027 0.99962119 0.9999092 ]
