《南溪的目标检测学习笔记》——激活函数的学习笔记

介绍

激活函数的作用是为神经网络提供非线性；

1. Sigmoid

Sigmoid函数的图像如下：

梯度曲线如下：

关于Sigmoid的详细分析请参考《为什么sigmoid会造成梯度消失？》

2. ReLU——最常用的激活函数

我们可以看看ReLU的图像

ReLU比Sigmoid好的原因是因为梯度更加容易更新

可以使用Cockpit来进行实验看看，请参考《Cockpit：深度神经网络的训练调试神器！NeurIPS 2021》

3. SiLU – nn.functional.silu

使用ReLU和Sigmoid的机制改进的激活函数，被用于GiraffeDet[paper]中；
其函数公式如下：
$$\text{SiLU}(x)=x\cdot \sigma (x)$$

2. Swish (同“SiLU”)

Swish函数在PyTorch中没有进行实现，需要自己实现；
其公式与SiLU一样。

3. H-Swish

H-Swish对ReLU函数的高效近似，使用在PicoDet中；

3. SiLU

SiLU可以看作是一种较为平滑的ReLU函数；
可以看看SiLU的图像，

3 PyTorch激活函数

使用nn.ActFunc()来新建一个激活函数层，
（这里我们参考官方ResNet的实现形式，不使用torch.nn.functional.act_func()来进行计算）；