【神經網路】激活函數面面觀
日常 coding 中,我們會很自然的使用一些激活函數,比如:sigmoid、ReLU等等。不過好像忘了問自己一()件事:
- 為什麼需要激活函數?
- 激活函數都有哪些?都長什麼樣?有哪些優缺點?
- 怎麼選用激活函數?
本文正是基於這些問題展開的,歡迎批評指正!
(此圖並沒有什麼卵用,純屬為了裝x ...)
Why use activation functions?
激活函數通常有如下一些性質:
- 非線性: 當激活函數是線性的時候,一個兩層的神經網路就可以逼近基本上所有的函數了。但是,如果激活函數是恆等激活函數的時候(即 ),就不滿足這個性質了,而且如果 MLP 使用的是恆等激活函數,那麼其實整個網路跟單層神經網路是等價的。
- 可微性: 當優化方法是基於梯度的時候,這個性質是必須的。
- 單調性: 當激活函數是單調的時候,單層網路能夠保證是凸函數。
- : 當激活函數滿足這個性質的時候,如果參數的初始化是random的很小的值,那麼神經網路的訓練將會很高效;如果不滿足這個性質,那麼就需要很用心的去設置初始值。
- 輸出值的範圍: 當激活函數輸出值是 有限 的時候,基於梯度的優化方法會更加 穩定,因為特徵的表示受有限權值的影響更顯著;當激活函數的輸出是 無限 的時候,模型的訓練會更加高效,不過在這種情況小,一般需要更小的learning rate.
這些性質,也正是我們使用激活函數的原因!
Activation Functions.
Sigmoid
Sigmoid 是常用的非線性的激活函數,它的數學形式如下:
正如前一節提到的,它能夠把輸入的連續實值「壓縮」到0和1之間。
特別的,如果是非常大的負數,那麼輸出就是0;如果是非常大的正數,輸出就是1.
sigmoid 函數曾經被使用的很多,不過近年來,用它的人越來越少了。主要是因為它的一些 缺點:
- Sigmoids saturate and kill gradients. sigmoid 有一個非常致命的缺點,當輸入非常大或者非常小的時候,這些神經元的梯度是接近於0的,從圖中可以看出梯度的趨勢。所以,你需要尤其注意參數的初始值來盡量避免saturation的情況。如果你的初始值很大的話,大部分神經元可能都會處在saturation的狀態而把gradient kill掉,這會導致網路變的很難學習。
- Sigmoid 的 output 不是0均值. 這是不可取的,因為這會導致後一層的神經元將得到上一層輸出的非0均值的信號作為輸入。產生的一個結果就是:如果數據進入神經元的時候是正的(e.g. x>0 elementwise in ),那麼 w 計算出的梯度也會始終都是正的。
- 當然了,如果你是按batch去訓練,那麼那個batch可能得到不同的信號,所以這個問題還是可以緩解一下的。因此,非0均值這個問題雖然會產生一些不好的影響,不過跟上面提到的 kill gradients 問題相比還是要好很多的。
tanh
tanh 是上圖中的右圖,可以看出,tanh 跟sigmoid還是很像的,實際上,tanh 是sigmoid的變形:
與 sigmoid 不同的是,tanh 是0均值的。因此,實際應用中,tanh 會比 sigmoid 更好(畢竟去粗取精了嘛)。
ReLU
近年來,ReLU 變的越來越受歡迎。它的數學表達式如下:
很顯然,從圖左可以看出,輸入信號 <0 時,輸出都是0; >0 的情況下,輸出等於輸入。w 是二維的情況下,使用ReLU之後的效果如下:
ReLU 的優點:
- Krizhevsky et al.發現使用 ReLU 得到的SGD的收斂速度會比 sigmoid/tanh 快很多(看右圖)。有人說這是因為它是linear,而且 non-saturating
- 相比於 sigmoid/tanh,ReLU 只需要一個閾值就可以得到激活值,而不用去算一大堆複雜的運算。
ReLU 的缺點:當然 ReLU 也有缺點,就是訓練的時候很"脆弱",很容易就"die"了. 什麼意思呢?
舉個例子:一個非常大的梯度流過一個 ReLU 神經元,更新過參數之後,這個神經元再也不會對任何數據有激活現象了。
如果這個情況發生了,那麼這個神經元的梯度就永遠都會是0.
實際操作中,如果你的learning rate 很大,那麼很有可能你網路中的40%的神經元都"dead"了。
當然,如果你設置了一個合適的較小的learning rate,這個問題發生的情況其實也不會太頻繁。
Leaky-ReLU、P-ReLU、R-ReLU
Leaky ReLUs: 就是用來解決這個 "dying ReLU" 的問題的。與 ReLU 不同的是:
(x < 0)
(x >= 0)
這裡的 是一個很小的常數。這樣,即修正了數據分布,又保留了一些負軸的值,使得負軸信息不會全部丟失。
關於Leaky ReLU 的效果,眾說紛紜,沒有清晰的定論。有些人做了實驗發現 Leaky ReLU 表現的很好;有些實驗則證明並不是這樣。
Parametric ReLU: 對於 Leaky ReLU 中的,通常都是通過先驗知識人工賦值的。
然而可以觀察到,損失函數對 的導數我們是可以求得的,可不可以將它作為一個參數進行訓練呢?
Kaiming He的論文《Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification》指出,不僅可以訓練,而且效果更好。
公式非常簡單,反向傳播至未激活前的神經元的公式就不寫了,很容易就能得到。對的導數如下:
原文說使用了Parametric ReLU後,最終效果比不用提高了1.03%.
Randomized ReLU:
Randomized Leaky ReLU 是 leaky ReLU 的random 版本 ( 是random的).
它首次試在 kaggle 的NDSB 比賽中被提出的。
核心思想就是,在訓練過程中, 是從一個高斯分布 中 隨機出來的,然後再測試過程中進行修正(有點像dropout的用法)。
數學表示如下:
在測試階段,把訓練過程中所有的 取個平均值。NDSB 冠軍的 是從 中隨機出來的。那麼,在測試階段,激活函數就是就是:
看看 cifar-100 中的實驗結果:
Maxout
Maxout出現在ICML2013上,作者Goodfellow將maxout和dropout結合後,號稱在MNIST, CIFAR-10, CIFAR-100, SVHN這4個數據上都取得了start-of-art的識別率。
Maxout 公式如下:
假設 是2維,那麼有:
可以注意到,ReLU 和 Leaky ReLU 都是它的一個變形(比如, 的時候,就是 ReLU).
Maxout的擬合能力是非常強的,它可以擬合任意的的凸函數。作者從數學的角度上也證明了這個結論,即只需2個maxout節點就可以擬合任意的凸函數了(相減),前提是」隱隱含層」節點的個數可以任意多.
所以,Maxout 具有 ReLU 的優點(如:計算簡單,不會 saturation),同時又沒有 ReLU 的一些缺點 (如:容易 go die)。不過呢,還是有一些缺點的嘛:就是把參數double了。
還有其他一些激活函數,請看下錶:
How to choose a activation function?
怎麼選擇激活函數呢?
我覺得這種問題不可能有定論的吧,只能說是個人建議。
如果你使用 ReLU,那麼一定要小心設置 learning rate,而且要注意不要讓你的網路出現很多 "dead" 神經元,如果這個問題不好解決,那麼可以試試 Leaky ReLU、PReLU 或者 Maxout.
友情提醒:最好不要用 sigmoid,你可以試試 tanh,不過可以預期它的效果會比不上 ReLU 和 Maxout.
還有,通常來說,很少會把各種激活函數串起來在一個網路中使用的。
Reference
- [1]. http://www.faqs.org/faqs/ai-faq/neural-nets/part2/section-10.html
- [2]. http://papers.nips.cc/paper/874-how-to-choose-an-activation-function.pdf
- [3]. https://en.wikipedia.org/wiki/Activation_function
- [4]. http://cs231n.github.io/neural-networks-1
Please feel free to contract me if you have any questions.
推薦閱讀:
※Tensorflow實現深層學習完備流程
※第五周筆記:神經網路分類問題應用
※Tensorflow新手通過PlayGround可視化初識神經網路
TAG:神经网络 | 深度学习DeepLearning | 机器学习 |