[激活函数]什么是 ReLU

参考资料:算法基础---ReLU激活函数及其变种


1、什么是 ReLU

ReLU 是修正线性单元(rectified linear unit),在 0 和 x 之间取最大值。


2、为什么要引入 ReLU

因为 sigmoid 和 tanh 容易导致梯度消失,而 ReLU 是非饱和激活函数,不容易发生梯度消失


3、ReLU 的函数表达式和导数表达式

ReLU 的函数表达式:

当 x <= 0 时,ReLU = 0

当 x > 0 时,ReLU = x


ReLU 的导数表达式:

当 x<= 0 时,导数为 0

当 x > 0 时,导数为 1


4、ReLU 的函数图像和导数图像

ReLU 的函数图像:


ReLU 的导数图像:



5、ReLU 的优点

① 有效缓解过拟合的问题,因为 ReLU 有可能使部分神经节点的输出变为 0,从而导致神经节点死亡,降低了神经网络的复杂度

②  不会发生梯度消失或梯度爆炸,当 x 大于 0 时,ReLU 的梯度恒为 1,不会随着网路深度的加深而使得梯度在累乘的时候变得越来越小或者越来越大,从而不会发生梯度消失或梯度爆炸

③ 计算简单,ReLU 本质上就是计算一次在两个值中取最大值


6、ReLU 的缺点

① 会导致神经元死亡,当一个神经元在某次的激活值为 0 之后,此后得到的激活值都是 0.

证明:

因为假设某个神经元在第 N 次时的激活值为 0,则第 N+1 次的激活值为:O_{n+1} = max(0, O_{n} - \alpha g(x)),其中 \alpha  取值大于 0, g(x)  是 ReLU 在 x 点的梯度。当 x <= 0 时,g(x) 的值为 0,则 O_{n+1}也为 0;当 x > 0 时,g(x) 的梯度为 1,则 O_{n+1} 为 0 和 -\alpha 中的最大值 0.即无论 x 取什么值,O_{n+1} 的值都等于 0.

解决方法:

① 对于ReLU 会导致神经节点死亡的原因有:

a.参数初始化时初始化到的参数值恰好能使神经节点死亡,不过这种情况非常罕见

b.学习率太高,导致在参数更新时,导致参数小于等于 0

改进方法有:

针对原因 a,采用 Xavier 初始化方法(深度学习——Xavier初始化方法)


针对原因 b,可以设置小一点的学习率或者是使用会自动调整学习率的优化方法,例如 Adagrad


② 输出不是零均值化(zero-centered),会导致模型收敛较慢(解释:谈谈激活函数以零为中心的问题)


7、ReLU 的变种:

① Leaky ReLU

Leaky ReLU 的目的是为了解决 ReLU 的死亡神经节点的问题。Leaky ReLU 的表达式是:

ReLU = max(\alpha x, x),其中 \alpha  通常取值为 0.01,即

当 x <= 0 时,ReLU = \alpha x

当 x > 0 时,ReLU = x


② PReLU,Parameter ReLU 是对 Leaky ReLU 的改进,对于 \alpha  不再取定值,而是从样本中学习得到,具有收敛速度快,错误率低的优点。

③ RReLU,Randomized ReLU 是对 Leaky ReLU 的改进,对于 \alpha  不再取定值,而是在指定范围内随机取一个值,而在预测阶段则是使用固定值。PReLU 在一定程度上具有正则效果


8、pytorch 的 ReLU 函数的作用和参数详解

torch.nn.ReLU(inplace=False) 

函数作用:对输入进行修正线性函数 ReLU(x) = max(0, x)

参数详解

inplace:默认为 False,即不进行覆盖运算,默认为 True 的话,则会对输入进行覆盖运算,此时减少了申请和注销内存的操作,会提高运行效率

例子:

from torch import autograd

>>> m = nn.ReLU()

>>> input = autograd.Variable(torch.randn(2))

>>> print(input)

>>> print(m(input))

结果:

tensor([-0.3543, -0.7416])

tensor([0., 0.])


注:连续使用多次 ReLU 跟使用一次的 ReLU 的效果是一样的

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 202,980评论 5 476
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,178评论 2 380
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 149,868评论 0 336
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,498评论 1 273
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,492评论 5 364
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,521评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,910评论 3 395
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,569评论 0 256
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,793评论 1 296
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,559评论 2 319
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,639评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,342评论 4 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,931评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,904评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,144评论 1 259
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 42,833评论 2 349
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,350评论 2 342

推荐阅读更多精彩内容