摘要
本文介绍了在MNIST和CIFAR-10数据集上对一种自定义激活函数——模拟激活函数（The Analog Activation Function, TAAF）的测试结果。TAAF是一种新型激活函数，通过独特的数学构造设计，旨在提升神经网络的性能。我们在卷积神经网络（CNN）架构中评估了TAAF的表现，并将其在MNIST数据集上的性能与标准激活函数进行了对比，同时在CIFAR-10数据集上与ELU（Exponential Linear Unit）进行了比较。实验结果表明，TAAF在MNIST数据集上达到了99.39%的测试准确率，在CIFAR-10数据集上达到了79.37%的测试准确率。在MNIST任务中，TAAF的测试准确率略高于标准激活函数，表现出更优的分类能力；在CIFAR-10任务中，TAAF的准确率显著优于ELU（72.06%），表明其在相同网络架构下具备更强的泛化能力。本研究为TAAF在不同图像分类任务中的性能建立了可靠的基准。