跳转至

ML–谷歌在 Keras 的 Swish 功能

原文:https://www.geesforgeks.org/ml-swish-function-by-Google-in-keras/

ReLU 一直是深度学习社区中最好的激活功能,但谷歌大脑团队在 2017 年宣布 Swish 作为 ReLU 的替代品。论文作者的研究表明,简单地用 Swish 单位替换 ReLU 单位可以将 ImageNet 上的分类精度提高 0.6%,从而在许多深度神经网络中优于 ReLU。

嗖嗖激活功能:

  • 数学公式: Y = X * sigmoid(X)
  • 下方有界上方无界: YX 趋近于常数值,但 Y 趋近于无穷大,如同 X 趋近于无穷大。
  • Swish 的导数,Y’= Y+sigmoid(X)*(1-Y)
  • 软曲线和非单调函数。

Swish 诉 ReLU 案

优于 RelU 激活功能:

对于激活函数来说,没有边界是可取的,因为它避免了梯度几乎为零时的问题。ReLU 函数在上面是有界的,但是当我们考虑下面的区域时,那么在下面是有界的可能会在一定程度上正则化模型,并且在负无穷大的极限内接近零的函数在正则化方面也很棒,因为大的负输入被丢弃了。swish 函数提供了非单调功能,增强了输入数据的表达和要学习的权重。 下面是 Swish 函数对许多社区主导激活函数(如 ReLU、卢瑟、Leaky ReLU 等)的性能度量。

在 keras 中实现 Swish 激活功能: Swish 在 Keras 中实现为自定义功能,定义后必须在激活类中用密钥注册。

代码:

# Code from between to demonstrate the implementation of Swish

# Our aim is to use "swish" in place of "relu" and make compiler understand it
model.add(Dense(64, activation = "relu"))
model.add(Dense(16, activation = "relu"))

现在我们将创建一个名为 Swish 的自定义函数,它可以根据 Swish 激活函数的数学公式给出如下输出:

# Importing the sigmoid function from
# Keras backend and using it
from keras.backend import sigmoid

def swish(x, beta = 1):
    return (x * sigmoid(beta * x))

现在我们有了定制设计的函数,可以将输入处理为 Swish 激活,我们需要向 Keras 注册这个定制对象。为此,我们在字典中传递一个我们想要调用它的键和它的激活函数。激活类将实际构建函数。

代码:

# Getting the Custom object and updating them
from keras.utils.generic_utils import get_custom_objects
from keras.layers import Activation

# Below in place of swish you can take any custom key for the name 
get_custom_objects().update({'swish': Activation(swish)})

代码:实现自定义设计的激活功能

model.add(Dense(64, activation = "swish"))
model.add(Dense(16, activation = "swish"))


回到顶部