本篇文章收录于专栏【机器学习】
以下是激活函数系列的相关的所有内容:
一文搞懂激活函数在神经网络中的关键作用
逻辑回归：Sigmoid函数在分类问题中的应用
整流线性单位函数（Rectified Linear Unit, ReLU），又称修正线性单元，是一种人工神经网络中常用的激活函数，通常指代以斜坡函数及其变种为代表的非线性函数。
ReLU
(
x
)
=
max
(
0
,
x
)
\text{ReLU}(x) = \max(0, x)
ReLU(x)=max(0,x)
当输入
x
>
0
x > 0
x>0 时，输出等于输入；当输入
x
≤
0
x \leq 0
x≤0 时，输出为 0。
传统的激活函数如 Sigmoid 和 Tanh 存在梯度消失和计算效率较低的问题。ReLU 函数解决了这些问题，具有计算简单、不易出现梯度消失等特点。
应用场景
- 神经网络隐藏层：引入非线性，使网络能够学习复杂的特征表示。
- 输出层：在需要输出非负值的回归任务中使用。
- 特定任务：广泛应用于图像识别、自然语言处理等领域，如 CNN 和 RNN。
函数特点
- 控制输出范围：输出值限制在 [ 0 , ∞ ) [0, \infty) [0,∞)，防止梯度消失或爆炸。
- 引入稀疏性：许多输出为零，减少模型复杂度，提高计算效率，防止过拟合。
- 提供可导性：其导数为：
ReLU ′ ( x ) = { 1 if x > 0 0 if x ≤ 0 \text{ReLU}'(x) = \begin{cases} 1 & \text{if } x > 0 \\ 0 & \text{if } x \leq 0 \end{cases} ReLU′(x)={10if x>0if x≤0
- 优点：
- 计算简单，计算效率高。
- 不易出现梯度消失问题。
- 引入稀疏性，有助于减少模型复杂度，提高计算效率，防止过拟合。
- 缺点：
- 神经元死亡：当 x ≤ 0 x \leq 0 x≤0 时，导数为 0，可能导致神经元死亡。
- 输出不以 0 为中心，可能影响梯度稳定性。
ReLU 函数的两个变体
Leaky ReLU：是 ReLU 的一个变体，在输入小于等于 0 时有一个小的非零斜率
α
\alpha
α，从而避免了神经元死亡问题：
Leaky ReLU
(
x
)
=
{
x
if
x
>
0
α
x
if
x
≤
0
\text{Leaky ReLU}(x) = \begin{cases} x & \text{if } x > 0 \\ \alpha x & \text{if } x \leq 0 \end{cases}
Leaky ReLU(x)={xαxif x>0if x≤0
α
\alpha
α 是一个小常数，通常取 0.01。在反向传播过程中，对于LeakyReLU激活函数输入小于
0
0
0 的部分，也可以计算得到梯度(ReLU的值为0)，这样就避免了梯度方向锯齿问题。
Randomized Leaky ReLU： 研究表明 α \alpha α 的取值对于结果是有效的， α \alpha α 的分布满足均值为0,标准差为1的正态分布。有部分论文指出 Randomized LeakyReLU 相比 LeakyReLU 能得更好的结果。究其原因，是随机LeakyReLU小于0部分的随机梯度，为优化方法引入了随机性，这些随机噪声可以帮助参数取值跳出局部最优和鞍点。
以爬山为例，目标是找到山顶（最优解）。 Leaky ReLU 就像是你每次爬山时，每一步的步长是固定的。而RLeakyReLU 则像是你每次爬山时，每一步的步长是随机的。这种随机性有时会让你不小心跨过一个山丘（局部最优），从而找到更高的山顶（更优解），所以听起来有点扯的感觉，运气成分吧。
PReLU： 所以说
α
\alpha
α 的取值也很重要，但是如果都是随机取值的话未免不太科学，所以就有论文提出将
α
\alpha
α 作为参数来进行学习，所以多了参数叫 num_parameters 和 init，前者是可学习的
α
\alpha
α数量，init是
α
\alpha
α 的初始值。
torch.nn.PReLU(num_parameters=1, init=0.01, device=None, dtype=None)
ELU，即指数线性单元（Exponential Linear Unit），解决神经网络训练中的一些问题，如梯度消失、非连续性以及输出均值偏离零等问题。
理想的激活函数应满足两个条件：
- 输出的分布是零均值的，加快训练速度。
- 激活函数是单侧饱和的，更好的收敛。
LeakyReLU满足1不满足2；而ReLU满足2不满足1，ELU 都满足。
ELU：在
x
≤
0
x \leq 0
x≤0 时有平滑的指数衰减，解决神经元死亡问题，数学表达式为：
ELU
(
x
)
=
{
x
if
x
>
0
α
(
e
x
−
1
)
if
x
≤
0
\text{ELU}(x) = \begin{cases} x & \text{if } x > 0 \\ \alpha (e^x - 1) & \text{if } x \leq 0 \end{cases}
ELU(x)={xα(ex−1)if x>0if x≤0
特点
缓解梯度消失问题：当 ( x > 0 )，ELU 函数的行为类似于ReLU，允许直接传递输入，从而避免了梯度消失的问题。
对负值的处理更加温和：与ReLU不同的是，当 ( x < 0 )，ELU 不是简单地将它们置为0，而是通过指数函数给出一个非零的输出，这有助于保持网络中的信息流动。
输出的均值更接近于零：由于其在负区间内的特性，ELU 能够帮助神经网络学习到更具有鲁棒性的特征表示，并且倾向于产生更接近于零的输出均值，这对于加速学习过程是有益的。
ELU 的导数在 x > 0 x > 0 x>0 时为1，在 x < 0 x < 0 x<0 时为 α ⋅ e x \alpha \cdot e^x α⋅ex。特别地，在 x = 0 x = 0 x=0 处，通常认为其导数是连续的，取左侧或右侧极限值之一。
ELU 适用于需要减少偏移量并加快学习速度的任务，但计算上比ReLU稍微复杂一些，因为它涉及到指数运算。因此，在设计深度学习模型时，需权衡这些因素来决定最适合的激活函数。
