Translations:Neural Networks/18/zh - Revision history

DeployBot: Batch translate Neural Networks unit 18 → zh

2026-04-27T23:40:58Z

Batch translate Neural Networks unit 18 → zh

← Older revision		Revision as of 23:40, 27 April 2026
Line 1:		Line 1:
	{\| class="wikitable"		{\| class="wikitable"
	\|-		\|-
	! 函数 !! 公式 !! 范围 !! 备注		! 函数 !! 公式 !! 取值范围 !! 备注
	\|-		\|-
	\| '''Sigmoid''' \|\| <math>\sigma(z) = \frac{1}{1+e^{-z}}</math> \|\| (0, 1) \|\| ~~历史上很流行；存在梯度消失问题~~		\| '''Sigmoid''' \|\| <math>\sigma(z) = \frac{1}{1+e^{-z}}</math> \|\| (0, 1) \|\| 历史上较为流行；存在梯度消失问题
	\|-		\|-
	\| '''Tanh''' \|\| <math>\tanh(z) = \frac{e^z - e^{-z}}{e^z + e^{-z}}</math> \|\| (−1, 1) \|\| ~~以零为中心；对大输入仍会饱和~~		\| '''Tanh''' \|\| <math>\tanh(z) = \frac{e^z - e^{-z}}{e^z + e^{-z}}</math> \|\| (−1, 1) \|\| 以零为中心；对较大输入仍会饱和
	\|-		\|-
	\| '''ReLU''' \|\| <math>\max(0, z)</math> \|\| [0, ∞) \|\| ~~现代网络的默认选择；可能导致"死神经元"~~		\| '''ReLU''' \|\| <math>\max(0, z)</math> \|\| [0, ∞) \|\| 现代网络的默认选择；可能造成「死神经元」
	\|-		\|-
	\| '''Leaky ReLU''' \|\| <math>\max(\alpha z, z)</math>~~，其中~~ <math>\alpha > 0</math> 较小 \|\| (−∞, ∞) \|\| ~~解决死神经元问题~~		\| '''Leaky ReLU''' \|\| <math>\max(\alpha z, z)</math>（其中 <math>\alpha > 0</math> 较小） \|\| (−∞, ∞) \|\| 解决了死神经元问题
	\|-		\|-
	\| '''~~Softmax~~''' \|\| <math>\frac{e^{z_i}}{\sum_j e^{z_j}}</math> \|\| (0, 1) \|\| ~~用于多类分类的输出层~~		\| '''{{Term\|softmax\|softmax}}''' \|\| <math>\frac{e^{z_i}}{\sum_j e^{z_j}}</math> \|\| (0, 1) \|\| 用于多类别分类的输出层
	\|}		\|}

DeployBot: Batch translate Neural Networks unit 18 → zh

2026-04-27T22:02:59Z

Batch translate Neural Networks unit 18 → zh

← Older revision		Revision as of 22:02, 27 April 2026
Line 7:		Line 7:
	\| '''Tanh''' \|\| <math>\tanh(z) = \frac{e^z - e^{-z}}{e^z + e^{-z}}</math> \|\| (−1, 1) \|\| 以零为中心；对大输入仍会饱和		\| '''Tanh''' \|\| <math>\tanh(z) = \frac{e^z - e^{-z}}{e^z + e^{-z}}</math> \|\| (−1, 1) \|\| 以零为中心；对大输入仍会饱和
	\|-		\|-
	\| '''ReLU''' \|\| <math>\max(0, z)</math> \|\| [0, ∞) \|\| ~~现代网络中的默认选择；可能导致~~"死神经元"		\| '''ReLU''' \|\| <math>\max(0, z)</math> \|\| [0, ∞) \|\| 现代网络的默认选择；可能导致"死神经元"
	\|-		\|-
	\| '''Leaky ReLU''' \|\| <math>\max(\alpha z, z)</math>，其中 <math>\alpha > 0</math> 较小 \|\| (−∞, ∞) \|\| 解决死神经元问题		\| '''Leaky ReLU''' \|\| <math>\max(\alpha z, z)</math>，其中 <math>\alpha > 0</math> 较小 \|\| (−∞, ∞) \|\| 解决死神经元问题
	\|-		\|-
	\| '''Softmax''' \|\| <math>\frac{e^{z_i}}{\sum_j e^{z_j}}</math> \|\| (0, 1) \|\| ~~用于多分类输出层~~		\| '''Softmax''' \|\| <math>\frac{e^{z_i}}{\sum_j e^{z_j}}</math> \|\| (0, 1) \|\| 用于多类分类的输出层
	\|}		\|}

DeployBot: Batch translate Neural Networks unit 18 → zh

2026-04-27T03:35:01Z

Batch translate Neural Networks unit 18 → zh

← Older revision		Revision as of 03:35, 27 April 2026
Line 1:		Line 1:
	{\| class="wikitable"		{\| class="wikitable"
	\|-		\|-
	! 函数 !! 公式 !! ~~取值范围~~ !! 备注		! 函数 !! 公式 !! 范围 !! 备注
	\|-		\|-
	\| '''Sigmoid''' \|\| <math>\sigma(z) = \frac{1}{1+e^{-z}}</math> \|\| (0, 1) \|\| ~~历史上常用；存在梯度消失问题~~		\| '''Sigmoid''' \|\| <math>\sigma(z) = \frac{1}{1+e^{-z}}</math> \|\| (0, 1) \|\| 历史上很流行；存在梯度消失问题
	\|-		\|-
	\| '''Tanh''' \|\| <math>\tanh(z) = \frac{e^z - e^{-z}}{e^z + e^{-z}}</math> \|\| (−1, 1) \|\| 以零为中心；对大输入仍会饱和		\| '''Tanh''' \|\| <math>\tanh(z) = \frac{e^z - e^{-z}}{e^z + e^{-z}}</math> \|\| (−1, 1) \|\| 以零为中心；对大输入仍会饱和
	\|-		\|-
	\| '''ReLU''' \|\| <math>\max(0, z)</math> \|\| [0, ∞) \|\| ~~现代网络的默认选择；可能导致~~"~~死亡神经元~~"		\| '''ReLU''' \|\| <math>\max(0, z)</math> \|\| [0, ∞) \|\| 现代网络中的默认选择；可能导致"死神经元"
	\|-		\|-
	\| '''Leaky ReLU''' \|\| <math>\max(\alpha z, z)</math>，其中 <math>\alpha > 0</math> 较小 \|\| (−∞, ∞) \|\| ~~缓解死亡神经元问题~~		\| '''Leaky ReLU''' \|\| <math>\max(\alpha z, z)</math>，其中 <math>\alpha > 0</math> 较小 \|\| (−∞, ∞) \|\| 解决死神经元问题
	\|-		\|-
	\| '''Softmax''' \|\| <math>\frac{e^{z_i}}{\sum_j e^{z_j}}</math> \|\| (0, 1) \|\| 用于多分类输出层		\| '''Softmax''' \|\| <math>\frac{e^{z_i}}{\sum_j e^{z_j}}</math> \|\| (0, 1) \|\| 用于多分类输出层
	\|}		\|}

DeployBot: [deploy-bot] Translate Neural Networks unit 18 to zh

2026-04-27T00:25:08Z

[deploy-bot] Translate Neural Networks unit 18 to zh

New page

{| class="wikitable"
|-
! 函数 !! 公式 !! 取值范围 !! 备注
|-
| '''Sigmoid''' || <math>\sigma(z) = \frac{1}{1+e^{-z}}</math> || (0, 1) || 历史上常用；存在梯度消失问题
|-
| '''Tanh''' || <math>\tanh(z) = \frac{e^z - e^{-z}}{e^z + e^{-z}}</math> || (−1, 1) || 以零为中心；对大输入仍会饱和
|-
| '''ReLU''' || <math>\max(0, z)</math> || [0, ∞) || 现代网络的默认选择；可能导致"死亡神经元"
|-
| '''Leaky ReLU''' || <math>\max(\alpha z, z)</math>，其中 <math>\alpha > 0</math> 较小 || (−∞, ∞) || 缓解死亡神经元问题
|-
| '''Softmax''' || <math>\frac{e^{z_i}}{\sum_j e^{z_j}}</math> || (0, 1) || 用于多分类输出层
|}