撸一撸 ICML2016的CReLU

此方法来源于：

ICML2016  Understanding and Improving Convolutional Neural Networks via Concatenated Rectified Linear Units.

这篇论文~~

实验代码 ：https://github.com/albanie/CReLU

可以在理解原理的基础上撸一遍。

在tensorflow中也集成了这个CRelu，API为：tf.nn.crelu()

论文作者在 AlexNet 的模型上做了一个有趣的实验，发现：低层的卷积层中的一些滤波器核存在着负相关程度很高的滤波器核，而层次越高的卷积层，这一现象越不明显。作者把这一现象称为 pairing phenomenon。这是基础思想。

文中提到一个叫pair filter的概念，定义如下：

设网络的某层卷积层的滤波器组的卷积核组表示为ϕ⃗ 1,ϕ⃗ 2,⋯,ϕ⃗ n，定义的 pairing filter 为ϕ⃗ ∗i=argminϕ⃗ j⟨ϕ⃗ i,ϕ⃗ j⟩，其中j=1,2,⋯,n，n 为该层卷积层的滤波器数目。滤波器 ϕ⃗ i 和 ϕ⃗ ∗i 之间的余弦相似度记为

μϕi

下图中蓝色表示：

计算cos相似度得到统计直方图~~ 

我们看第一卷积层conv1，蓝色的直方图分布以-0.5为中心点，均匀分布，也就是说有较多成对的滤波器。越到后面的层，比如conv5蓝色的直方图分布越集中，成对的滤波器越少.

CReLU是为了消除 ReLU 带来的冗余而提出，设[⋅]+=max(⋅,0)，则 CReLU 定义如下：

                                                                                CReLU（x）=（[-x]+,[x]+）

 举个栗子，-1带入公式，则CReLU(-1)=(0,1)。

在实际中用的时候，需要注意，你要输入的特征图个数是ReLU时的一半即可。