ReLU（Rectified Linear Unit）激活函数是一种常用的非线性激活函数，其原理是在输入小于等于零时输出为零，在输入大于零时输出等于输入值。ReLU激活函数的作用是引入非线性变换，使得神经网络可以学习更复杂的模式和特征。它的主要优点是计算简单、不存在梯度消失问题，并且能够加速收敛和提高模型的泛化能力。
ReLU激活函数的数学表达式为：
f ( x ) = m a x ( 0 , x ) f(x) = max(0, x) f(x)=max(0,x)
其中， f ( x ) f(x) f(x) 表示ReLU激活函数的输出； x x x 表示输入值； m a x ( 0 , x ) max(0, x) max(0,x)表示取输入值和零之间的较大值。
在深度学习中，ReLU激活函数通常被应用于神经网络的隐藏层，作为非线性激活函数使用。它的广泛应用包括图像处理、自然语言处理、计算机视觉等各种领域的深度学习任务。
下面是使用PyTorch定义ReLU激活函数的例子：
python
import torch
import torch.nn as nn
# 定义模型
class ModelWithReLU(nn.Module):
def __init__(self):
super(ModelWithReLU, self).__init__()
self.fc1 = nn.Linear(10, 5) # 输入维度为10，输出维度为5
self.relu = nn.ReLU() # ReLU激活函数
def forward(self, x):
x = self.fc1(x)
x = self.relu(x)
return x
# 创建模型实例
model = ModelWithReLU()
# 输入示例
input_data = torch.randn(3, 10) # 输入数据维度为(3, 10)
# 模型前向传播
output = model(input_data)
print(output) 在这个例子中定义了一个包含ReLU激活函数的简单的全连接神经网络模型。在模型的前向传播中，输入数据经过全连接层（self.fc1），然后通过ReLU激活函数（self.relu）进行非线性变换。输出结果即为经过ReLU激活后的数据。