caffe学习：Activation Layer及参数

【转】转载自：Caffe学习系列(4)：激活层（Activiation Layers)及参数

在激活层中，对输入数据进行激活操作（实际上就是一种函数变换），是逐元素进行运算的。从bottom得到一个blob数据输入，运算后，从top输入一个blob数据。在运算过程中，没有改变数据的大小，即输入和输出的数据大小是相等的。

输入：n*c*h*w
输出：n*c*h*w

常用的激活函数有sigmoid, tanh,relu等，下面分别介绍。

Sigmoid函数

对每个输入数据，利用sigmoid函数执行操作。这种层设置比较简单，没有额外的参数。

$$S(x)=\frac{1}{1+e^{-x}}$$
层类型：Sigmoid

示例：

layer {
  name: "encode1neuron"
  bottom: "encode1"
  top: "encode1neuron"
  type: "Sigmoid"
}

ReLU函数

ReLU是目前使用最多的激活函数，主要因为其收敛更快，并且能保持同样效果。

标准的ReLU函数为$f(x)=max(x,0)$，当x>0时，输出x; 当x<=0时，输出0

层类型：ReLU

可选参数：
　　negative_slope：默认为0. 对标准的ReLU函数进行变化，如果设置了这个值，那么数据为负数时，就不再设置为0，而是用原始数据乘以negative_slope

layer {
  name: "relu1"
  type: "ReLU"
  bottom: "pool1"
  top: "pool1"
}

TanH函数

利用双曲正切函数对数据进行变换。

$$tanh(x)=\frac{sinh(x)}{cosh(x)}=\frac{e^x-e^{-x}}{e^x+e^{-x}}$$
层类型：TanH

layer {
  name: "layer"
  bottom: "in"
  top: "out"
  type: "TanH"
}

Absolute Value

$f(x)=Abs(x)$，求每个输入数据的绝对值。

层类型：AbsVal

layer {
  name: "layer"
  bottom: "in"
  top: "out"
  type: "AbsVal"
}

Power

$f(x)= (shift + scale * x) ^{ power}$，对每个输入数据进行幂运算。

层类型：Power

可选参数：
　　power: 默认为1
　　scale: 默认为1
　　shift: 默认为0

layer {
  name: "layer"
  bottom: "in"
  top: "out"
  type: "Power"
  power_param {
    power: 2
    scale: 1
    shift: 0
  }
}

BNLL

$f(x)=log(1+e^x)$，二项式正态对数似然

层类型：BNLL

layer {
  name: "layer"
  bottom: "in"
  top: "out"
  type: “BNLL”
}