PyTorch常用激活函数解析

PyTorch常用激活函数

在深度学习中，经常会见到各种各样的激活函数。为了更好的学习，总结下我经常用的激活函数。具体信息可见官网

sigmoid

import torch.nn.functional as F
y=F.sigmoid(x)  #x则是输入

所有的输出会被放缩在0到1之间

缺点：

• 会导致梯度消失的问题，网络只有微小的更新，无法有效学习

整流线性单元ReLU

表达式：ReLU(x)=max(0,x)

import torch.nn.functional as F
y=F.relu(x)  #x则是输入

优点：

• 相比于 sigmoid，由于稀疏性，时间和空间复杂度更低；不涉及成本更高的指数运算；
• 能避免梯度消失问题

缺点：

• 引入了死亡 ReLU 问题，即网络的大部分分量都永远不会更新。但这有时候也是一个优势；
• ReLU 不能避免梯度爆炸问题

指数线性单元 ELU

优点：

• 能避免死亡 ReLU 问题；
• 能得到负值输出，这能帮助网络向正确的方向推动权重和偏置变化；
• 在计算梯度时能得到激活，而不是让它们等于 0；

缺点：

• 由于包含指数运算，所以计算时间更长；神经网络不学习 α 值。

渗漏型整流线性单元激活函数（Leaky ReLU）

渗漏型整流线性单元激活函数也有一个 α 值，通常取值在 0.1 到 0.3 之间。

import torch.nn.functional as F
y=F.leaky_relu((x),negative_slope=0.2)  #x则是输入

优点：

• 类似 ELU，Leaky ReLU 也能避免死亡 ReLU 问题，因为其在计算导数时允许较小的梯度；
• 由于不包含指数运算，所以计算速度比 ELU 快。

缺点：

• 无法避免梯度爆炸问题；神经网络不学习 α 值。

Tanh

参考

https://mp.weixin.qq.com/s/np_QPpaBS63CXzbWBiXq5Q