machine-learning - 为什么 ReLU 用于神经网络的回归？

Question

我正在关注官方 TensorFlow with Keras 教程，但我被困在这里：预测房价：回归 - 创建模型

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

Answer 1

在隐藏层中使用非线性激活函数的一般原因是，没有它们，无论有多少层或每层有多少个单元，网络都会像一个简单的线性单元一样运行。Andrew Ng 的这个简短视频很好地解释了这一点：为什么需要非线性激活函数？

在您的情况下，仔细观察，您会发现最后一层的激活函数不是relu隐藏层中的，而是线性的（当您没有指定任何内容时，这是默认激活，就像这里） ：

keras.layers.Dense(1)

来自Keras 文档：

稠密

[...]

论据

[...]

激活：要使用的激活函数（请参阅激活）。如果您未指定任何内容，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。