【YOLO系列】 YOLOv4之Mish函数

一、简述

        一个新的state of the art的激活函数，ReLU的继任者。

        Diganta Misra在 “Mish: A Self Regularized Non-Monotonic Neural Activation Function”论文中介绍了Mish这个新的深度学习激活函数，指出该函数在准确度上比Swish（+0.494%）和ReLU（+1.671%）。

        ReLU与Mish相比，Mish的梯度更平滑，有助于更好得信息传播，使网络能够更好地利用深度资源进行特征提取和分类。

二、什么是Mish？

        1、公式

                                        

        其他的激活函数，ReLU 是 x = max(0,x)，Swish = x * sigmoid(x)。

        2、 代码实现

import torch

import torch.nn.functional as F

class Mish(torch.nn.Module):

    def init(self):

        super().init()

    def forward(self, x):

        return x * torch.tanh(F.softplus(x))

        要使用这个Mish模块，可以将其添加到神经网络模型中，并在训练和推理过程中使用它作为激活函数。例如：

import torch.nn as nn

class MyModel(nn.Module):

    def init(self):

        super().init()

        self.fc = nn.Linear(10, 10)

        self.mish = Mish()

    def forward(self, x):

        x = self.fc(x)

        x = self.mish(x)
    
        return x

三、为什么Mish表现这么好？

        1、以无上边界（即正值可以达到任何的值），避免了由于封顶而导致的饱和，理论上对负值轻微允许，允许更好得梯度流，而不是想ReLU那样的硬零边界。

        2、Mish函数在不同区间上可能单调递增或递减，有助于增加模型的非线性表达能力。

        3、随着层深的增加，ReLu精度迅速下降，其次是Swish，相比之下，Mish能更好的保持准确性。

四、总结

        ReLU有一些已知的弱点，但是通常执行起来很轻，并且在计算上很轻。Mish具有较强的理论渊源，在测试中，就训练稳定性和准确性而言，Mish的平均性能优于ReLU。