Нейронная сетевая обратная прослойка с RELU

Ответ 1

Если у вас есть слой, сделанный из одного ReLU, как предлагает ваша архитектура, то да, вы убьете градиент в 0. Во время обучения ReLU вернет 0 к вашему уровню вывода, который либо вернет 0, либо 0.5, если вы используете логистические единицы, а softmax будет выдавливать их. Таким образом, значение 0 в вашей текущей архитектуре также не имеет большого смысла для части прямого распространения.

См. например this. Что вы можете сделать, это использовать "негерметичную ReLU", которая является небольшим значением в 0, например 0.01.

Я бы пересмотрел эту архитектуру, однако мне не имеет большого значения, чтобы я подавал один ReLU в кучу других единиц, а затем применял softmax.

Ответ 2

если x <= 0, вывод равен 0. Если x > 0, вывод равен 1

Функция ReLU определяется как: При x > 0 выход равен x, т.е. f (x) = max (0, x)

Итак, для производной f '(x) оно фактически:

если x < 0, выход равен 0. Если x > 0, выход равен 1.

Производная f '(0) не определена. Поэтому он обычно устанавливается в 0 или вы изменяете функцию активации как f (x) = max (e, x) для небольшого e.

Как правило: ReLU - это единица, которая использует функцию активации выпрямителя. Это означает, что он работает точно так же, как и любой другой скрытый слой, но кроме tanh (x), сигмоида (x) или любой другой активации, вы вместо этого используете f (x) = max (0, x).

Если вы написали код для рабочей многослойной сети с сигмоидной активацией, это буквально 1 строка изменения. Ничто в отношении прямого или обратного распространения не изменяется алгоритмически. Если у вас еще нет более простой модели, вернитесь и начните с первой. В противном случае ваш вопрос не о ReLU, а о внедрении NN в целом.

Ответ 3

Вот хороший пример, используйте ReLU для реализации XOR: ссылка http://pytorch.org/tutorials/beginner/pytorch_with_examples.html

# -*- coding: utf-8 -*-
import numpy as np
import matplotlib.pyplot as plt

# N is batch size(sample size); D_in is input dimension;
# H is hidden dimension; D_out is output dimension.
N, D_in, H, D_out = 4, 2, 30, 1

# Create random input and output data
x = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])
y = np.array([[0], [1], [1], [0]])

# Randomly initialize weights
w1 = np.random.randn(D_in, H)
w2 = np.random.randn(H, D_out)

learning_rate = 0.002
loss_col = []
for t in range(200):
    # Forward pass: compute predicted y
    h = x.dot(w1)
    h_relu = np.maximum(h, 0)  # using ReLU as activate function
    y_pred = h_relu.dot(w2)

    # Compute and print loss
    loss = np.square(y_pred - y).sum() # loss function
    loss_col.append(loss)
    print(t, loss, y_pred)

    # Backprop to compute gradients of w1 and w2 with respect to loss
    grad_y_pred = 2.0 * (y_pred - y) # the last layer error
    grad_w2 = h_relu.T.dot(grad_y_pred)
    grad_h_relu = grad_y_pred.dot(w2.T) # the second laye error 
    grad_h = grad_h_relu.copy()
    grad_h[h < 0] = 0  # the derivate of ReLU
    grad_w1 = x.T.dot(grad_h)

    # Update weights
    w1 -= learning_rate * grad_w1
    w2 -= learning_rate * grad_w2

plt.plot(loss_col)
plt.show()

Подробнее о производной ReLU вы можете увидеть здесь: http://kawahara.ca/what-is-the-derivative-of-relu/

Ответ 4

Кроме того, здесь вы можете найти реализацию в caffe framework: https://github.com/BVLC/caffe/blob/master/src/caffe/layers/relu_layer.cpp

Отрицательный_slope указывает, следует ли "утечка" отрицательной части путем умножения ее на значение наклона, а не на значение 0. Конечно, вы должны установить этот параметр равным нулю, чтобы иметь классическую версию.

Ответ 5

Да, у оригинальной функции Relu есть проблема, которую вы описываете. Таким образом, они позже внесли изменения в формулу и назвали ее негерметичной Relu В сущности Leaky Relu слегка наклоняет горизонтальную часть функции на очень небольшое количество. для получения дополнительной информации смотрите это:

Экспликация методов активации и улучшенное Relu on youtube