激活函数
经实践验证，激活函数有增加模型表达能力的作用； 如果没有激活函数，模型就全是线性运算， 而激活函数，是非线性运算，两者组合后，经实验证明，有了更强的表达能力 模型有更强的表达能力是什么意思？ 线性回归公式理论上可以近似一切事物， 对于不同事物，完成这个过程花费的时间不一样，精度上限也不同； 增加一些非线性变换，模型可以更快地达到近似的上限， 同时，还能将这个上限提高一些，比如 线性变换花3天算出10天后会下雨， 增加非线性变换后，1小时就算出了10天后会下雨
线性变换在模型是一层，模型有层数再多，依然是线性变换，是线性的
随着空间维度的提升，它依然是线性，只是呈现的形态不同，线性，平面，超平面...
但现实事物之间的关系不是线性的
增加一些非线性关系，可以提升模型的表达能力
当然也不是任意的非线性关系都行，
- 要考虑到计算机能算的动，越简单越好
- 要考虑到在数学上求导能成立，必须要靠梯度下降大法求极小值
- 要考虑工程上实现成本低，代价低，成本太高就不赚钱了
- 效果要有提升，模型的表达能力要变得更强...
综合以上因素，学者不断尝试，总结出了一些激活函数
|
|
|
激活函数的位置 矩阵相乘是线性变换， 两个相连的线性变换，可简化为一个线性变换，一步到位 y=ax+b,z=cy+d,由x两步到z与一步到z，没有质的改变 所以，一个线性变换后面就跟一个激活函数，增加一些非线性的能力 不也是说，纯粹的线性变换不能解决问题， 比如transformer的每一层中，有以下几步： 1 求补码， 2 编码并按特征维度拆分， 3 矩阵相乘，即线性变换 4 做softmax， 5 求得分， 6 再矩阵相乘，即线性变换 7 层归一化 8 全连接， 9 激活函数处理， 10 全连接 1-7 是一个逻辑，这一通计算后数据分布肯定偏移了，第8步加一个归一化 线性变换与激活函数都是神经网络中的一个技巧，还可以有其他处理技巧 激活函数在每层中出现一次，且位于最后一个全连接的前面，或者是两个线性变换之间， 因为它的目的是为变换增加一些非线性能力 最好激活函数前面也是一个全连接,相当了，BN有自动学习参数，放ReLU也无大的问题 |
|
|
|
|
relu
|
np.array([0 if ele < 0 else ele for ele in x]) 
import numpy as np
import torch
from torch import nn
from torch.nn import functional as F
class Activate(object):
def __init__(self):
pass
@staticmethod
def relu(X):
X = np.array(X)
shape = X.shape
X = X.reshape(-1)
x = np.array([0 if x < 0 else x for x in X])
x = x.reshape(shape)
return x
@staticmethod
def relu2(X):
X = torch.tensor(data=X,dtype=torch.float64)
return X.relu()
@staticmethod
def relu3(X):
X = torch.tensor(data=X)
return F.relu(input=X,inplace=True)
np.random.seed(73)
A=np.random.randn(7,3)
# print(A)
"""
[[ 0.57681305 2.1311088 2.44021967]
[ 0.26332687 -1.49612065 -0.03673531]
[ 0.43069579 -1.52947433 -0.73025968]
[ 1.05131524 1.61979267 -1.60501337]
[ 0.33100953 -0.21095236 0.2981767 ]
[-1.14607352 0.57536202 -0.36390663]
[ 0.03639919 -0.52056399 -0.01576433]]
"""
# B = Activate.relu(X=A)
# print(B)
"""
[[0.57681305 2.1311088 2.44021967]
[0.26332687 0. 0. ]
[0.43069579 0. 0. ]
[1.05131524 1.61979267 0. ]
[0.33100953 0. 0.2981767 ]
[0. 0.57536202 0. ]
[0.03639919 0. 0. ]]
"""
# B = Activate.relu2(X=A)
# print(B)
"""可以看出torch.relu()只保留了四位有效数字
tensor([[0.5768, 2.1311, 2.4402],
[0.2633, 0.0000, 0.0000],
[0.4307, 0.0000, 0.0000],
[1.0513, 1.6198, 0.0000],
[0.3310, 0.0000, 0.2982],
[0.0000, 0.5754, 0.0000],
[0.0364, 0.0000, 0.0000]], dtype=torch.float64)
"""
B = Activate.relu3(X=A)
print(B)
"""F.relu同样改变了数据的精度
tensor([[0.5768, 2.1311, 2.4402],
[0.2633, 0.0000, 0.0000],
[0.4307, 0.0000, 0.0000],
[1.0513, 1.6198, 0.0000],
[0.3310, 0.0000, 0.2982],
[0.0000, 0.5754, 0.0000],
[0.0364, 0.0000, 0.0000]], dtype=torch.float64)
"""
|
以0为分界点，
- 低于0的数据为0，直接就不用算了，因为任何数乘以0就是0
- 高于0，则导数为1,链式求导中，激活函数不会放大或缩小导函数中的值了，导函数值的大小只受参数变量的影响
- 0与1是极其特殊的两个数字，在这个简单的不能再简单的函数中，同时出现了,也有点神乎其技的感觉...
计算量低，效果也并不比sigmoid差，极受工程青睐
- 主要是当参数成千上万时，会有亿万个激活函数在运行
- 这就要求函数越简单越好
缺点是当x小于0时，直接置为0,在理论上好像不太好 |
|
|
|
|
|
|
nn.PReLU
nn.PReLU(num_parameters=10, init=0.25)
nn.PReLU(): a 可学习，根据数据变化而变化
PReLU(𝑥)=max(0,𝑥)+𝑎∗min(0,𝑥)
其中a是可学习的参数/权重，
当x大于等于0时，取x,
当x小于0时，是完全舍去还是按比例保留，通过学习而定
超参数：
num_parameters (int)：输入数据的通道数
init (float)：超参数a的初始化值，默认0.25
示例：
self.layer = nn.Sequential(
nn.Conv2d(in_channels=3,
out_channels=10,
kernel_size=3,
stride=1,
padding=1),
nn.BatchNorm2d(num_features=10),
nn.PReLU(num_parameters=10, init=0.25),
nn.MaxPool2d(kernel_size=2, stride=2)
)
Rrule
nn.RReLU()
RReLU中的 a是一个在 一个给定的范围内 随机抽取的值。
sigmoid
import numpy as np
from matplotlib import pyplot as plt
def linear(x):
return 3 * x - 7
x = np.linspace(start=-10, stop=10, num=50)
plt.plot(x, linear(x))
def sigmoid(x):
return 1 / (1 + np.exp(-x))
plt.plot(x, sigmoid(x))
|
sigmoid函数将数据映射到[0,1]
- 对应概率，可以将数据转换为概率
- 也有类似计算机非0即1的意味
- e函数求导方便
- 对定义域无限制，可以是任何实数，即不管数据范围如何，都到映射到[0,1]
缺点
- 指数函数在计算机中比线性函数计算量大
- 对于分布来说，以0为中心更好一些
- 当数据比较大时，sigmoid函数的梯度会变得很小
- 深度学习中求导是链式示求导，
- 即损失函数在某个参数变量处的导数值是n个导函数的值相乘
- 本身就很小，再相乘，就更小了
- 最后梯度就消失了，w=w-lr*w.grad梯度下降变为梯度不变
- 如此参数就无法更新了，模型就训练不下去了
|
|
|
|
|
|
|
tanh
def tanh(x):
return (np.exp(x) - np.exp(-x)) / (np.exp(x) + np.exp(-x))
|
双曲正切函数，相比sigmoid函数
- 数据以0为中心，[-1,1]
缺陷
- 同sigmoid一样，但它又不像sigmoid函数那样可以类比概率
- 所以应用的场景很少，基本不用了
|
|
|
|
|
|
|
参考
神经网络】神经元ReLU、Leaky ReLU、PReLU和RReLU的比较