深度学习:激活函数曲线总结
在深度学习中有很多时候需要利用激活函数进行非线性处理,在搭建网路的时候也是非常重要的,为了更好的理解不同的激活函数的区别和差异,在这里做一个简单的总结,在pytorch中常用的激活函数的数学表达形式,同时为了更直观的感受,给出不同激活函数的曲线形式,方便查询。
import torch
import torch.nn as nn
x = torch.linspace(-4, 4, 400) # 在-4和4之间画400个点。
1. nn.leakyReLU()
给负值一个斜率,不全为零。
-
数学公式:
LeakyReLU ( x ) = { x , if x ≥ 0 negative_slope × x , otherwise \text{LeakyReLU}(x) = \begin{cases} x, & \text{ if } x \geq 0 \\ \text{negative\_slope} \times x, & \text{ otherwise } \end{cases} LeakyReLU(x)={x,negative_slope×x, if x≥0 otherwiseleakyrelu = nn.LeakyReLU(negative_slope=0.01)
negative_slope
是一个小于1的值,通常设置为0.01,用于控制在输入小于0时的输出斜率。这意味着在nn.LeakyReLU中,负数输入会乘以negative_slope,而正数输入保持不变。
- 对应曲线:
2. nn.Relu()
ReLU是一个常用的激活函数,它将负数值设为0,保持正数值不变。
-
数学公式:
ReLU ( x ) = ( x ) + = max ( 0 , x ) \text{ReLU}(x) = (x)^+ = \max(0, x) ReLU(x)=(x)+=max(0,x)relu = nn.ReLU()
-
函数曲线:
3. nn.Tanh()
Tanh函数将输入映射到-1和1之间
-
数学公式
Tanh ( x ) = tanh ( x ) = exp ( x ) − exp ( − x ) exp ( x ) + exp ( − x ) \text{Tanh}(x) = \tanh(x) = \frac{\exp(x) - \exp(-x)} {\exp(x) + \exp(-x)} Tanh(x)=tanh(x)=exp(x)+exp(−x)exp(x)−exp(−x)Tanh = nn.Tanh()
-
函数曲线
4. nn.PReLU()
PReLU是具有可学习参数的激活函数,用于克服ReLU的一些问题
-
数学公式
RReLU ( x ) = { x if x ≥ 0 a x otherwise \text{RReLU}(x) = \begin{cases} x & \text{if } x \geq 0 \\ ax & \text{ otherwise } \end{cases} RReLU(x)={xaxif x≥0 otherwisePReLU = nn.PReLU(num_parameters=1)
-
函数曲线
5. nn.ELU()
所有点上都是连续的和可微的,训练快
-
数学公式:
ELU ( x ) = { x , if x > 0 α ∗ ( exp ( x ) − 1 ) , if x ≤ 0 \text{ELU}(x) = \begin{cases} x, & \text{ if } x > 0\\ \alpha * (\exp(x) - 1), & \text{ if } x \leq 0 \end{cases} ELU(x)={x,α∗(exp(x)−1), if x>0 if x≤0ELU = nn.ELU()
-
函数曲线
6. nn.SELU()
-
数学公式:
SELU ( x ) = scale ∗ ( max ( 0 , x ) + min ( 0 , α ∗ ( exp ( x ) − 1 ) ) ) \text{SELU}(x) = \text{scale} * (\max(0,x) + \min(0, \alpha * (\exp(x) - 1))) SELU(x)=scale∗(max(0,x)+min(0,α∗(exp(x)−1)))SELU = nn.SELU()
-
函数曲线:
7. nn.GELU()
-
数学公式:
GELU ( x ) = x ∗ Φ ( x ) \text{GELU}(x) = x * \Phi(x) GELU(x)=x∗Φ(x)GELU = nn.GELU()
-
函数曲线:
8. nn.Mish()
-
数学公式:
Mish ( x ) = x ∗ Tanh ( Softplus ( x ) ) \text{Mish}(x) = x * \text{Tanh}(\text{Softplus}(x)) Mish(x)=x∗Tanh(Softplus(x))Mish = nn.Mish()
-
函数曲线:
9 . nn.Softmax()
-
数学公式:
Softmax ( x i ) = exp ( x i ) ∑ j exp ( x j ) \text{Softmax}(x_{i}) = \frac{\exp(x_i)}{\sum_j \exp(x_j)} Softmax(xi)=∑jexp(xj)exp(xi)Softmax = nn.Softmax()
y = Softmax(x) -
函数曲线:
总结
感觉还是看曲线的形状,把大体的形状记住更直观些。