神经网络常见激活函数 4-LeakyReLU函数

LeakyReLU

• LeakyReLU： Leaky Rectified Linear Unit

函数+导函数

• LeakyReLU函数
  L e a k y R e L U = { x x > = 0 p x x < 0 p ∈ ( 0 , 1 ) \rm Leaky{ReLU} = \left\{ \begin{array}{} x \quad x>=0 \\ px \quad x<0 \end{array} \right. \quad p \in (0,1) LeakyReLU={xx>=0pxx<0p∈(0,1)

• LeakyReLU函数导数
  d d x L e a k y R e L U = { 1 x ≥ 1 p x < 0 p ∈ ( 0 , 1 ) \frac{d}{dx} \rm LeakyReLU = \left\{ \begin{array}{} 1 \quad x \ge1 \\ p \quad x < 0 \end{array} \right. \quad p \in (0,1) dxdLeakyReLU={1x≥1px<0p∈(0,1)

  它和 ReLU 函数的不同之处在于，当 x 小于零时，LeakyReLU 函数的导数值并不为 0，而 是常数𝑝，p 一般设置为某较小的数值，如 0.01 或 0.02

  ---

函数和导函数图像

• 画图

  下面是的 p = 0.5 p=0.5 p=0.5 时候的情况，请注意，p 一般设置为较小值。

  import numpy as np
  from matplotlib import pyplot as plt
  
  # 定义 PReLU 函数
  def prelu(x, alpha=0.25):
      return np.where(x < 0, alpha * x, x)
  
  # 定义 PReLU 的导数
  def prelu_derivative(x, alpha=0.25):
      d = np.where(x < 0, alpha, 1)
      return d
  
  # 生成数据
  x = np.linspace(-2, 2, 1000)
  alpha = 0.5  # 可以调整 alpha 的值
  y = prelu(x, alpha)
  y1 = prelu_derivative(x, alpha)
  
  # 绘制图形
  plt.figure(figsize=(12, 8))
  ax = plt.gca()
  plt.plot(x, y, label='PReLU')
  plt.plot(x, y1, label='Derivative')
  plt.title(f'PReLU (alpha={alpha}) and Partial Derivative')
  
  # 设置上边和右边无边框
  ax.spines['right'].set_color('none')
  ax.spines['top'].set_color('none')
  
  # 设置 x 坐标刻度数字或名称的位置
  ax.xaxis.set_ticks_position('bottom')
  
  # 设置边框位置
  ax.spines['bottom'].set_position(('data', 0))
  ax.yaxis.set_ticks_position('left')
  ax.spines['left'].set_position(('data', 0))
  
  plt.legend(loc=2)
  plt.show()

  ​

  LeakyReLU 函数有效的克服了 ReLU 函数的缺陷，使用也比较广泛。

  ---

优缺点

• Leaky Relu 的优点(相对 ReLU的改进)

  1. 与 ReLU 函数相比，Leaky ReLU 通过在负半轴引入一个小的线性分量（如 0.01x）来调整负值的梯度问题；这有助于扩大 ReLU 函数的范围，通常斜率 p 的值为 0.01 左右；函数范围是负无穷到正无穷。
  2. Leaky ReLU 激活函数通过在负半轴添加一个小的正斜率（如 0.01），使得负轴的信息不会全部丢失。通过这种方式，Leaky ReLU 激活函数可以确保模型训练过程中神经元的权重在输入小于 0 的情况下依然会得到更新。
  3. 不会出现 Dead ReLU 问题，但关于输入函数 f(x)的部分仍然容易出现梯度爆炸的情况，因此必要时可以搭配 Sigmoid 或 Tanh 使用。

• Leaky Relu 的缺点

  1. 经典（以及广泛使用的）ReLU 激活函数的变体，带泄露修正线性单元（Leaky ReLU）的输出对负值输入有很小的坡度。由于导数总是不为零，这能减少静默神经元的出现，允许基于梯度的学习（虽然会很慢）。
  2. 从理论上讲，Leaky ReLU 具有 ReLU 的所有优点，而且 Dead ReLU 不会有任何问题，但在实际应用中，尚未完全证明 Leaky ReLU 总是比 ReLU 更好。

  ---

pytorch中的LeakyReLU函数

• 代码

  import torch
  
  x = torch.randn(2)
  f = torch.nn.LeakyReLU(negative_slope=0.1) # negative_slope是个常数,即负值部分的斜率
  
  leakyRelu_x = f(x)
  
  print(f"x: \n{x}")
  print(f"leakyRelu_x:\n{leakyRelu_x}")
  
  """输出"""
  x: 
  tensor([-1.7098,  0.3351])
  leakyRelu_x:
  tensor([-0.1710,  0.3351])

  为了便于演示，这里的 p设置成了0.1，即代码中的negative_slope,我们可以看到输出，当x小于0 的时候，leakyRelu_x的结果被乘以0.1。

  ---

tensorflow 中的LeakyReLU函数

• 代码

  python: 3.10.9

  tensorflow: 2.18.0

  import tensorflow as tf
  
  
  alpha = 0.1  # 定义 LeakyReLU 函数，alpha 是负值部分的斜率
  f = lambda x: tf.nn.leaky_relu(x, alpha=alpha)
  
  
  x = tf.random.normal([2])
  leaky_relu_x = f(x)
  
  print(f"x: \n{x}")
  print(f"leaky_relu_x:\n{leaky_relu_x}")
  
  """输出"""
  x: 
  [-0.733668    0.06844683]
  leaky_relu_x:
  [-0.07336681  0.06844683]

  同上，这里的 p设置成了0.1，即代码中的alpha,我们可以看到输出，当x小于0 的时候，leakyRelu_x的结果被乘以0.1。

---