PyTorch 中定义了一个 LeakyReLU 激活函数层

复制代码

nn.LeakyReLU(negative_slope=0.2, inplace=False)

1. 什么是 LeakyReLU？

LeakyReLU 是经典 ReLU 激活函数的改进版。

ReLU ：对于输入 x，输出 max(0, x)，负数直接置为 0。

LeakyReLU ：对于输入 x，当 x >= 0 时输出 x；当 x < 0 时输出 negative_slope * x（一个很小的斜率），而不是直接变成 0。

2. 参数解释

`negative_slope=0.2`

控制负数部分的斜率。

这里 0.2 表示当输入为负数时，输出 = 输入 × 0.2。

例如：输入 -5 → 输出 -1；输入 -0.1 → 输出 -0.02。

通常设置为一个小的正数（如 0.01、0.2 等），目的是保留一点负数信息，避免神经元"死亡"。

`inplace=False`

表示是否在原地修改输入张量。

False（默认值）：不修改原输入，而是返回一个新的输出张量。

True：会直接修改输入张量的值，节省内存，但可能会丢失原始数据（比如需要保留输入用于梯度计算时不能用）。

大多数情况下保持 False 更安全，除非你明确知道可以复用内存。

3. 使用示例

复制代码

import torch
import torch.nn as nn

# 创建一个输入张量，需要梯度以观察反向传播
x = torch.tensor([[-1.0, 2.0, -3.0]], requires_grad=True)
x = x+2
print("原始 x:", x)

# 使用 inplace=False 的 LeakyReLU（默认）
leaky_relu_false = nn.LeakyReLU(negative_slope=0.2, inplace=False)
y = leaky_relu_false(x)
print("\ninplace=False 输出 y:", y)
print("x 本身未改变:", y is x)


# 使用 inplace=True 的 LeakyReLU
leaky_relu_true = nn.LeakyReLU(negative_slope=0.2, inplace=True)
z = leaky_relu_true(x)  # 注意这里传入 x，但 x 会被原地修改
print("\n调用 inplace=True 后返回的 z:", z)
print("原地修改后的 x:", x)  # x 的值已经被改变了
print("z 和 x 是否是同一个对象？", z is x)  # 返回 True，说明 z 就是 x 本身

就是创建一个带泄漏的线性整流单元，负数部分以 0.2 的斜率衰减，且不修改原始输入。它常用于深度学习模型中，作为激活函数来引入非线性，同时缓解 ReLU 的"神经元坏死"问题。