ฟังก์ชันกระตุ้น

ฟังก์ชันกระตุ้น (activation function) หรือ ฟังก์ชันถ่ายโอน (transfer function) คือฟังก์ชันที่กำหนดค่าขาออกจากผลรวมบางอย่างของค่าในแต่ละเซลล์ในชั้นป้อนเข้าของโครงข่ายประสาทเทียม (ซึ่งมักเป็นผลรวมถ่วงน้ำหนัก) โดยทั่วไปแล้วจะใช้เป็นฟังก์ชัน และมักเป็น

ภาพรวม

ในแบบจำลองโครงข่ายประสาทเทียมที่นิยมใช้กันนั้น เซลล์ในแต่ละชั้นจะรับค่าป้อนเข้าแล้วคำนวณผลรวมถ่วงน้ำหนักจากนั้นจึงป้อนให้กับฟังก์ชันกระตุ้นเพื่อเป็นค่าขาออกสำหรับชั้นถัดไป

ในสูตรดังต่อไปนี้ ${\displaystyle \varphi }$ คือฟังก์ชันกระตุ้น

${\displaystyle y=\varphi \left(\sum _{i=1}^{m}w_{i}x_{i}+b\right)}$

ฟังก์ชันกระตุ้นในยุคเริ่มแรกนิยมใช้ฟังก์ชันขั้นบันได แต่หลังจากที่มีการพัฒนาวิธีขึ้นมาในปี 1986 จึงนิยมใช้ฟังก์ชันซิกมอยด์

ปัจจุบันฟังก์ชันกระตุ้นที่ได้รับการกล่าวว่าดีที่สุดคือฟังก์ชัน ()

อ้างอิง

1. Yann LeCun; Yoshua Bengio; Geoffrey Hinton (2015-05-28). "Deep learning". Nature. 521 (7553): 436–444. doi:10.1038/nature14539.