activations.py
SiLU:
class SiLU(nn.Module):
# SiLU activation https://arxiv.org/pdf/1606.08415.pdf
@staticmethod
def forward(x):
return x * torch.sigmoid(x)
SiLU(Sigmoid Linear Unit)是一种新的激活函数,其目的是在保持梯度稀疏性的同时,解决ReLU及其变体存在的问题,特别是在神经网络的前几层。
SiLU激活函数的数学表达式为:.
Hard-SiLU:
class Hardswish(nn.Module):
# Hard-SiLU activation
@staticmethod
def forward(x):
# return x * F.hardsigmoid(x) # for TorchScript and CoreML
return x * F.hardtanh(x + 3, 0.0, 6.0) / 6.0 # for TorchScript, CoreML and ONNX
使用了一个名为F.hardtanh的函数,这个函数是PyTorch中的一个非线性激活函数,类似于ReLU(Rectified Linear Unit)函数,但是它在负数部分是线性的,而在正数部分则不是。这个函数对输入x进行计算,然后返回一个结果。
计算的过程是:先将x的值加上3,然后在0和6的范围内进行硬阈值处理(hardsigmoid或者hardtanh),最后将处理后的结果除以6。
这样的操作可以提供一个相对ReLU来说更加线性的负数区域,同时在正数区域也不会像Sigmoid函数那样在数值上容易饱和,因此对于一些深度学习的模型训练来说,可能会提供更好的效果。
Mish:
class Mish(nn.Module):
# Mish activation https://github.com/digantamisra98/Mish
@staticmethod
def forward(x):
return x * F.softplus(x).tanh()
Mish激活函数是一种新的激活函数,它结合了Softplus和Tanh函数。Softplus是一种平滑版本的ReLU激活函数,它避免了ReLU的梯度消失问题。然而,Softplus在非常大的值处可能会变得非常缓慢或几乎停滞,这可能导致梯度非常小或几乎为零。而Tanh函数在所有值上都有正梯度,并且在非常大或非常小的值处梯度不会接近零。
Mish activation memory-efficient:
class MemoryEfficientMish(nn.Module):
# Mish activation memory-efficient
class F(torch.autograd.Function):
@staticmethod
def forward(ctx, x):
ctx.save_for_backward(x)
return x.mul(torch.tanh(F.softplus(x))) # x * tanh(ln(1 + exp(x)))
@staticmethod
def backward(ctx, grad_output):
x = ctx.saved_tensors[0]
sx = torch.sigmoid(x)
fx = F.softplus(x).tanh()
return grad_output * (fx + x * sx * (1 - fx * fx))
def forward(self, x):
return self.F.apply(x)
手动构建自定义函数的前向和后向计算过程,以优化内存使用。
FReLU:
class FReLU(nn.Module):
# FReLU activation https://arxiv.org/abs/2007.11824
def __init__(self, c1, k=3): # ch_in, kernel
super().__init__()
self.conv = nn.Conv2d(c1, c1, k, 1, 1, groups=c1, bias=False)
self.bn = nn.BatchNorm2d(c1)
def forward(self, x):
return torch.max(x, self.bn(self.conv(x)))
一个卷积层self.conv和一个批量归一化层self.bn。
在前向传播方法forward中,输入x首先通过卷积层self.conv进行卷积操作,然后通过批量归一化层self.bn进行归一化。最后,使用torch.max函数返回输入x和卷积结果的较大值,即应用了ReLU激活函数的原理。
FReLU的功能可以看作是将输入x通过卷积进行变换,然后将结果通过批量归一化进行变换,并选择变换后结果和输入x中的较大值作为最后的输出。这种结构可以增强模型的非线性表达能力。
AconC:
class AconC(nn.Module):
r""" ACON activation (activate or not)
AconC: (p1*x-p2*x) * sigmoid(beta*(p1*x-p2*x)) + p2*x, beta is a learnable parameter
according to "Activate or Not: Learning Customized Activation" <https://arxiv.org/pdf/2009.04759.pdf>.
"""
def __init__(self, c1):
super().__init__()
self.p1 = nn.Parameter(torch.randn(1, c1, 1, 1))
self.p2 = nn.Parameter(torch.randn(1, c1, 1, 1))
self.beta = nn.Parameter(torch.ones(1, c1, 1, 1))
def forward(self, x):
dpx = (self.p1 - self.p2) * x
return dpx * torch.sigmoid(self.beta * dpx) + self.p2 * x
init函数
:初始化三个参数,p1
、p2
和beta
。其中p1
和p2
是随机的,beta
是全1的参数。这些参数都是四维的,形状为(1, c1, 1, 1),其中c1是输入的通道数。p1
和p2
是可学习的参数,即在训练过程中会更新。
forward前向传播函数
:首先计算了(p1 - p2) * x的结果,命名为dpx。然后,使用sigmoid函数对dpx与beta
的乘积进行激活,再将结果与p2 * x
相加。
AconC的公式:。
这种激活函数结构可以使得神经网络具有更强的非线性表达能力,对于一些复杂的模式学习会更有优势。
MetaAconc:
class MetaAconC(nn.Module):
r""" ACON activation (activate or not)
MetaAconC: (p1*x-p2*x) * sigmoid(beta*(p1*x-p2*x)) + p2*x, beta is generated by a small network
according to "Activate or Not: Learning Customized Activation" <https://arxiv.org/pdf/2009.04759.pdf>.
"""
def __init__(self, c1, k=1, s=1, r=16): # ch_in, kernel, stride, r
super().__init__()
c2 = max(r, c1 // r)
self.p1 = nn.Parameter(torch.randn(1, c1, 1, 1))
self.p2 = nn.Parameter(torch.randn(1, c1, 1, 1))
self.fc1 = nn.Conv2d(c1, c2, k, s, bias=True)
self.fc2 = nn.Conv2d(c2, c1, k, s, bias=True)
# self.bn1 = nn.BatchNorm2d(c2)
# self.bn2 = nn.BatchNorm2d(c1)
def forward(self, x):
y = x.mean(dim=2, keepdims=True).mean(dim=3, keepdims=True)
# batch-size 1 bug/instabilities https://github.com/ultralytics/yolov5/issues/2891
# beta = torch.sigmoid(self.bn2(self.fc2(self.bn1(self.fc1(y))))) # bug/unstable
beta = torch.sigmoid(self.fc2(self.fc1(y))) # bug patch BN layers removed
dpx = (self.p1 - self.p2) * x
return dpx * torch.sigmoid(beta * dpx) + self.p2 * x
增强神经网络对特定激活函数的选择能力,从而提升模型的表达能力。