溫馨提示×
您好，登錄后才能下訂單哦！
點(diǎn)擊 登錄注冊(cè) 即表示同意《億速云用戶服務(wù)條款》
您好，登錄后才能下訂單哦！
這篇文章主要介紹Keras中Leaky ReLU等高級(jí)激活函數(shù)怎么用，文中介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們一定要看完！
在用Keras來(lái)實(shí)現(xiàn)CNN等一系列網(wǎng)絡(luò)時(shí)，我們經(jīng)常用ReLU作為激活函數(shù)，一般寫法如下：
from keras import layers from keras import models model = models.Sequential() model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1))) model.add(layers.MaxPooling2D((2, 2))) model.add(layers.Conv2D(64, (3, 3), activation='relu')) model.add(layers.MaxPooling2D((2, 2))) model.add(layers.Conv2D(64, (3, 3), activation='relu'))
上面這段代碼實(shí)現(xiàn)了一個(gè)基本的卷積神經(jīng)網(wǎng)絡(luò)，用ReLU作為激活函數(shù),關(guān)于ReLU具體內(nèi)容不做詳細(xì)介紹。還有一些常用的主流激活函數(shù)：
softmax: 在多分類中常用的激活函數(shù)，是基于邏輯回歸的。
Softplus：softplus(x)=log(1+e^x)，近似生物神經(jīng)激活函數(shù)，最近出現(xiàn)的。
Relu：近似生物神經(jīng)激活函數(shù)，最近出現(xiàn)的。
tanh：雙曲正切激活函數(shù)，也是很常用的。
sigmoid：S型曲線激活函數(shù)，最常用的。
hard_sigmoid：基于S型激活函數(shù)。
linear：線性激活函數(shù)，最簡(jiǎn)單的。
主流的激活函數(shù)可以如上述例子一樣通過名稱直接使用，但是還有一些復(fù)雜的激活函數(shù)如：Leaky ReLU、PReLU是不可以這樣直接使用的，必須使用add方法將高級(jí)激活函數(shù)作為層（layer）來(lái)使用，舉例如下：
from keras import layers from keras import models from keras.layers import LeakyReLU model = models.Sequential() model.add(layers.Conv2D(32, (3, 3), input_shape=(28, 28, 1))) model.add(LeakyReLU(alpha=0.05)) model.add(layers.MaxPooling2D((2, 2))) model.add(layers.Conv2D(64, (3, 3))) model.add(LeakyReLU(alpha=0.05)) model.add(layers.MaxPooling2D((2, 2))) model.add(layers.Conv2D(64, (3, 3)) model.add(LeakyReLU(alpha=0.05))
這里我們?cè)诰矸e層中去掉激活函數(shù)的參數(shù)，并在卷積層后加入高級(jí)激活層，下面來(lái)測(cè)試：
>>model.summary()
這里從整個(gè)網(wǎng)絡(luò)結(jié)構(gòu)的結(jié)果可以看出，卷積層后確實(shí)加入了一層新的激活層，使用的是LeakyReLU函數(shù)。
補(bǔ)充知識(shí)：Keras 調(diào)用leaky_relu
Keras 中有l(wèi)eaky_relu的實(shí)現(xiàn)。leaky_relu被整合進(jìn)了relu函數(shù)。
參考官方文檔：
https://tensorflow.google.cn/api_docs/python/tf/keras/backend/relu?hl=en
| Arguments | |
|---|---|
| x | A tensor or variable. |
| alpha | A scalar, slope of negative section (default=0.). |
| max_value | float. Saturation threshold. |
| threshold | float. Threshold value for thresholded activation. |
alpha（超參數(shù)）值控制負(fù)數(shù)部分線性函數(shù)的梯度。當(dāng)alpha = 0 ,是原始的relu函數(shù)。當(dāng)alpha >0,即為leaky_relu。
查看源碼，在Keras.backbend 中，也是調(diào)用tensorflow.python.ops庫(kù)nn中的leaky_relu函數(shù)實(shí)現(xiàn)的：
def relu(x, alpha=0., max_value=None, threshold=0): """Rectified linear unit. With default values, it returns element-wise `max(x, 0)`. Otherwise, it follows: `f(x) = max_value` for `x >= max_value`, `f(x) = x` for `threshold <= x < max_value`, `f(x) = alpha * (x - threshold)` otherwise. Arguments: x: A tensor or variable. alpha: A scalar, slope of negative section (default=`0.`). max_value: float. Saturation threshold. threshold: float. Threshold value for thresholded activation. Returns: A tensor. """ if alpha != 0.: if max_value is None and threshold == 0: return nn.leaky_relu(x, alpha=alpha) ##在這里調(diào)用了leaky_relu if threshold != 0: negative_part = nn.relu(-x + threshold) else: negative_part = nn.relu(-x) clip_max = max_value is not None if threshold != 0: # computes x for x > threshold else 0 x = x * math_ops.cast(math_ops.greater(x, threshold), floatx()) elif max_value == 6: # if no threshold, then can use nn.relu6 native TF op for performance x = nn.relu6(x) clip_max = False else: x = nn.relu(x) if clip_max: max_value = _constant_to_tensor(max_value, x.dtype.base_dtype) zero = _constant_to_tensor(0, x.dtype.base_dtype) x = clip_ops.clip_by_value(x, zero, max_value) if alpha != 0.: alpha = _to_tensor(alpha, x.dtype.base_dtype) x -= alpha * negative_part return x
以上是Keras中Leaky ReLU等高級(jí)激活函數(shù)怎么用的所有內(nèi)容，感謝各位的閱讀！希望分享的內(nèi)容對(duì)大家有幫助，更多相關(guān)知識(shí)，歡迎關(guān)注億速云行業(yè)資訊頻道！
免責(zé)聲明：本站發(fā)布的內(nèi)容（圖片、視頻和文字）以原創(chuàng)、轉(zhuǎn)載和分享為主，文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如果涉及侵權(quán)請(qǐng)聯(lián)系站長(zhǎng)郵箱：is@yisu.com進(jìn)行舉報(bào)，并提供相關(guān)證據(jù)，一經(jīng)查實(shí)，將立刻刪除涉嫌侵權(quán)內(nèi)容。
億速云公眾號(hào)
手機(jī)網(wǎng)站二維碼
