为什么 ReLU 用于神经网络的回归？答案

【问题标题】：Why is ReLU used in regression with Neural Networks?为什么 ReLU 用于神经网络的回归？
【发布时间】：2018-12-28 18:15:49
【问题描述】：

我正在关注官方的 TensorFlow with Keras 教程，但我卡在这里：Predict house prices: regression - Create the model

为什么要在预测连续值的任务中使用激活函数？

代码是：

def build_model():
    model = keras.Sequential([
        keras.layers.Dense(64, activation=tf.nn.relu, 
                   input_shape=(train_data.shape[1],)),
        keras.layers.Dense(64, activation=tf.nn.relu),
        keras.layers.Dense(1)
    ])

    optimizer = tf.train.RMSPropOptimizer(0.001)

    model.compile(loss='mse', optimizer=optimizer, metrics=['mae'])
    return model

【问题讨论】：

标签： machine-learning neural-network keras regression activation-function

【解决方案1】：

在隐藏层中使用非线性激活函数的一般原因是，如果没有它们，无论有多少层或每层有多少单元，网络的行为都会像简单的线性单元。 Andrew Ng 的这个短片很好地解释了这一点：Why do you need non-linear activation functions?

在您的情况下，仔细观察，您会发现 final 层的激活函数不是隐藏层中的 relu，而是线性函数（即当您不指定任何内容时默认激活，例如此处）：

keras.layers.Dense(1)

来自Keras docs：

密集

[...]

参数

[...]

activation：要使用的激活函数（参见activations）。如果您不指定任何内容，则不会应用任何激活（即“线性”激活：a(x) = x）。

这确实是具有单个连续输出的回归网络所期望的。

【讨论】：

感谢您抽出宝贵时间回答我的问题，这是一个很棒的视频！