别盲目，别着急，慢慢走，没事的

                                                —— 25.2.24

一、定义与数学表达式

GELU（Gaussian Error Linear Unit，高斯误差线性单元）是一种结合概率分布的非线性激活函数，其核心思想是通过输入值服从标准正态分布的概率来决定激活程度。数学表达式为：
GELU(x)=x⋅Φ(x)
其中，Φ(x) 是标准正态分布的累积分布函数（CDF）：

实际应用中，常使用近似公式简化计算：

该近似公式在保持性能的同时显著降低计算复杂度

---

二、核心特点

非线性建模能力：通过高斯分布概率引入非线性，增强模型对复杂数据的拟合能力。

连续可导性：在整个定义域内可微，避免梯度消失问题，适合反向传播优化。

自门控特性：输入值越大，激活概率越高，类似“软开关”机制。

输出范围：(−∞,+∞)，适用于需要线性输出的场景

---

三、优势对比

特性	GELU	ReLU	Sigmoid/Tanh
梯度消失问题	有效缓解	部分区域梯度为0	易出现梯度消失
输出范围	全实数域	[0,+∞)	(0,1)或(−1,1)
计算复杂度	较高（近似公式可优化）	低	较高（涉及指数运算）
应用场景	Transformer、NLP、CV	计算机视觉、简单任务	二分类输出层

---

四、实际应用 

Transformer架构：BERT、GPT-2/3等模型均采用GELU作为隐藏层激活函数，显著提升语言建模性能。

计算机视觉：在图像分类、目标检测任务中，GELU的非线性特性优于ReLU。

推荐系统：处理用户行为序列数据时，GELU的随机正则化特性增强模型泛化能力。

---

五、代码实现

1.torch.nn.GELU()

torch.nn.GELU()： PyTorch 中实现高斯误差线性单元（GELU）激活函数的类。其核心功能是通过高斯分布的累积分布函数（CDF）对输入张量进行非线性变换

数学表达式为：GELU(x)=x⋅Φ(x)

参数名称	类型	是否必填	说明
approximate	str	否	近似算法选择，可选值为 'none'（精确计算）或 'tanh'（近似计算，默认为 'none'）。

import torch
import torch.nn as nn

# 定义GELU层（默认使用精确计算）
gelu_layer = nn.GELU()

# 输入张量
x = torch.randn(32, 128)

# 前向传播
output = gelu_layer(x)
print(output.shape)  # 输出形状与输入一致

2.torch.nn.functional.gelu()

torch.nn.functional.gelu(): PyTorch 中实现高斯误差线性单元（GELU）激活函数的函数。其核心功能是通过高斯分布的累积分布函数（CDF）对输入张量进行非线性变换，

数学表达式为：GELU(x)=x⋅Φ(x)

参数名称	类型	是否必填	说明
approximate	str	否	近似算法选择，可选值为 'none'（精确计算）或 'tanh'（近似计算，默认为 'none'）。

import torch
import torch.nn.functional as F

# 输入张量
x = torch.randn(32, 128)

# 应用GELU激活函数
output = F.gelu(x)
print(output.shape)  # 输出形状与输入一致