PyTorch深度学习入门笔记（十二）神经网络-非线性激活

课程学习笔记，课程链接
学习笔记同步发布在我的个人网站上，欢迎来访查看。

一、非线性激活常用函数介绍

非线性激活的目的是为了给我们的神经网络引入一些非线性的特质。
依然是打开官方文档：

比较常用的函数是 nn.ReLu:

1.1 ReLU

对应的函数图是：

参数：inplace=True时，会修改 input 为非线性激活后的结果；inplace=False时，则不会修改 input ，input仍然为原值。

示例代码：

import torch
from torch import nn
from torch.nn import ReLU

input = torch.tensor([[1, -0.5],
                      [-1, 3]])
output = torch.reshape(input, (-1, 1, 2, 2))

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.relu1 = ReLU()

    def forward(self, input):
        output = self.relu1(input)
        return output

net1 = Net()
output = net1(input)
print(output)

输出：

可以看到输入为 输出为
[[1, -0.5], [[1, 0],
[-1, 3]], [0, 3]]
输入传给了 ReLU函数，进行了截断，-0.5和-1均小于0，所以对应的输出结果为0。

1.2 Sigmoid

函数图：

示例代码：

import torch
import torchvision
from torch import nn
from torch.nn import ReLU, Sigmoid
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter

dataset = torchvision.datasets.CIFAR10("./dataset", train=False, download=True,
                                       transform=torchvision.transforms.ToTensor())
dataloader = DataLoader(dataset, batch_size=64)

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.Sigm = Sigmoid()

    def forward(self, input):
        output = self.Sigm(input)
        return output

net1 = Net()

writer = SummaryWriter("logs")
step = 0
for data in dataloader:
    imgs, targets = data
    writer.add_images("input", imgs, global_step=step)
    output = net1(imgs)
    writer.add_images("output", output, step)
    step += 1

writer.close()

用 tensorboard 查看输出结果：

可以看到非线性激活主要目的就是给网络增加非线性特征，以便训练出符合要求的泛化模型。