توابع انتقال یا فعال سازها

در لایه انتهایی هر نرون توابعی وجود دارند که کار نگاشت اطلاعات خروجی نرون، بر روی مقادیر قابل قبول به جهت نمایش خروجی بر عهده دارند.

• توابع انتقال hardlim و hardlim متقارن
• توابع انتقال satlin و satlin متقارن
• توابع انتقال خط و خطی مثبت
• توابع انتقال لگاریتمی
• توابع انتقال tan sigmoid
• توابع انتقال رقابتی و softmax
• توابع انتقال شعاع مبنا و مثلثی

توابع انتقال(activation function) دسته گسترده ای از توابع را شامل می شود و برای هر شبکه عصبی کاربرد مختص به خود را خواهند داشت.

در این پست سعی شده نگاه کاملی به انواع توابع فعال ساز داشته باشیم.

داده های صالی با رنگ آبی نمایش داده شده است که بعد از نگاشت توسط تابع فعال ساز نیز نتایج رسم شده است.

توابع انتقال hardlim و hardlim متقارن

مناسب برای دسته بندی داده ها به دو کلاس محدود مناسب می باشد. در شبکه پرسپترون قابل استفاده است.

توابع انتقال satlin و satlin متقارن

کاربرد این تابع علاوه بر محدود کردن داده ها در حد مشخص است بلکه ارزش داده ها بین دو عدد را نیز بدون تغییر حفظ می کند.

توابع انتقال خطی و خطی مثبت

این تابع ورودی ها را بدون تغییر در خروجی به نمایش می گذارد. در حالت خطی مثبت مقادیر منفی صفر می شوند.

توابع انتقال لگاریتمی

برای شبکه ها پس انتشار مناسب است و مقادیر نامحدود ورودی را به صورت محدود در بازه صفر تا یک محدود می کند.

توابع انتقال tan sigmoid

تابع تانژانت هیپربولیک عملکردی مشابه توابع لگاریتمی دارند اما محدوده نگاشت بین منفی یک و یک می باشد.

توابع انتقال رقابتی و softmax

در شبکه های رقابتی که ورودی با مقدار بالاتر را به عنوان خروجی در نظر می گیرد، استفاده می شود.

توابع انتقال شعاع مبنا و مثلثی

تابع مثلثی و تابع شعاعی بنیادی گوسی عملکردی مشابه شکل زیر را در هنگام نگاشت دارند.

با توجه به انواع شبکه های عصبی که معرفی شده است باید یکی از این توابع فعال ساز را در انتهای هر شبکه استفاده کرد بنابراین انتخاب درست این توابع نیازمند شناخت شبکه عصبی دارد.