tiny_cnn源码阅读(2)-激活函数

激活函数概述
identiti函数

sigmoid函数

relu函数

leaky_relu

elu

softmax

tanh

tanh p1m2

源码阅读

参考

激活函数概述

神经网络都有各个层组成，在不同的层中，用到不同的激活函数。在看layer之前，先了解一下定义的激活函数。

数据”经过一个神经网络时，经过卷积或池化等运算后，最终输出的一个值。这个“输出值”就是经过激活函数计算的来的，反向求导，也是对激活函数来求导的。

激活函数通常有以下性质：

非线性：如果激活函数都为线性，那么神经网络的最终输出都是和输入呈线性关系；显然这不符合事实。

可导性：神经网络的优化都是基于梯度的，求解梯度时需要确保函数可导。

单调性:激活函数是单调的，否则不能保证神经网络抽象的优化问题为凸优化问题了。

输出范围有限：激活函数的输出值的范围是有限时，基于梯度的方法会更加稳定。输入值范围为(−∞,+∞)，如果输出范围不加限制，虽然训练会更加高效，但是learning rate将会更小，且给工程实现带来许多困难。

f(x)≈x(x≈0):当x≈0时，需要满足这个条件。这样权重初始化为很小的值时，训练神经网络会更加高效。否则需要细心设置权重的初始值。

identiti函数

从名字看出，这是个“相等”学习函数，数据通过这个函数不会有任何变化。所以其函数

float_t f(const vec_t& v, cnn_size_t i)

返回变量的值，求导时导数为

1

。

sigmoid函数

sigmoid函数定义为：

f(x)=1(1+e−x)

它是是连续、光滑、严格单调的非线性函数，它把数值(-inf, +inf)映射到了(0 , 1)。它的导数

df(y)=y(1−y)

relu函数

relu函数定义为

f(x)=max(0,x)

当信号小于0时，输出为0；信号大于0时，输出值为信号的值。rule函数计算非常简单，只需要一个阀值就可以得到激活值，不用进行复杂的计算。使用SGD时，用rule代替sigmod/tanh的话，收敛速度会快很多。

leaky_relu

leaky_relu定义为：

f(x)={ax,x<0x,x≥0

使用rule时，如果一个很大的梯度经过relu神经元，那么这个神经元可能不会再对其他数据起作用了，这会造成部分这个神经元“死掉”,使用leaky_relu可以解决这个问题。a的值很小，这样可以保留部分负值信息。

定义为：当x<0时，f(x)=(e^x-x)

elu

elu定义为：

f(x)={a(ex−1),x<0x,x≥0

elu全称为exponential linear unit。

softmax

softmax用来归一化，把输出值归一化为（0，1）之间的值，且总和为1。对于SoftMax输出，可以理解为概率。计算过程为：

1、求出集合中最大的值alpha。

2、使用指数，将数值转换为0-1之间的数exp(v[i]-alpha)。

3、归一化，即将上步求得的数值求和sum，所求结果为exp(v[i]-alpha)/sum。

tanh

tanh的定义为

f(x)=ex−e−xex+e−x

它的形状和sigmod有点像，但是它是0均值的，取值范围为(-1,1)。

tanh p1m2

这是tanh的变形，定义为：

f(x)=exex+e−x

源码阅读

激活函数在tiny-cnn-master/tiny_cnn/activations/activation_function.h中。

首先定义了基类

function

class function {
public:
function() = default;
function(const function &) = default;
#ifndef CNN_DEFAULT_MOVE_CONSTRUCTOR_UNAVAILABLE
function(function &&) = default;
#endif
function &operator =(const function &) = default;
#ifndef CNN_DEFAULT_ASSIGNMENT_OPERATOR_UNAVAILABLE
function &operator =(function &&) = default;
#endif
virtual ~function() = default;

virtual float_t f(const vec_t& v, cnn_size_t index) const = 0;//前向传播

// dfi/dyi
virtual float_t df(float_t y) const = 0;//反向求导

// dfi/dyk (k=0,1,..n)
virtual vec_t df(const vec_t& y, cnn_size_t i) const { vec_t v(y.size(), 0); v[i] = df(y[i]); return v; }

// target value range for learning
virtual std::pair<float_t, float_t> scale() const = 0;//输出值的范围
};

函数

float_t f(const vec_t&, cnn_size_t index)

为前向传播，

float_t df(float_t y)

和

vec_t df(const vec_t& y, cnn_size_t i)

为求导，前者是对一个数求导，后者是对容器所有数求导。

std::pair<float_t, float_t> scale()

是来控制函数输出的范围。

前向传播和反向传播都是虚函数，在其派生类中有实现。

参考

【机器学习】神经网络-激活函数-面面观(Activation Function)