SELU激活函数，scaled exponential linear units

SELU、ReLU、leaky ReLU对比：

https://github.com/shaohua0116/Activation-Visualization-Histogram

关于SELU激活函数的详细介绍，从这个地址转来的：

http://blog.csdn.net/liyuan123zhouhui/article/details/73702271

最近出现了一个新的激活函数：缩放指数线性单元（scaled exponential linear units，selu），根据该激活函数得到的网络具有自归一化功能。

首先给出文章地址：https://arxiv.org/pdf/1706.02515.pdf

然后大概讲一下这个激活函数的作用（个人理解，也有可能有误）。 
一般在深度学习中，在每层添加批处理能够使得网络收敛的更快，同时在效果上也有提升。 
这篇文章就在思考，能不能够提出一种激活函数，经过该激活函数后使得样本分布自动归一化到0均值和单位方差，在这篇文章中，作者给出了长达97的证明，证明了在满足以下两个条件的情况下，使用该激活函数后使得样本分布满足零均值和单位方差： 
1 按照给定的参数对权重初始化：对于正态分布的初始化，初始化参数为0均值，方差为sqrt(1/n),n是输入的通道个数，在tensorflow里面提供的比较好的实现： 
tf.initializers.variance_scaling_initializer(factor=1.0,model=’FAN_IN’) 
也可以自己直接指定，详细的参数介绍可以看看下面的网站：http://www.cnblogs.com/denny402/p/6932956.html 
2 按照给定的参数对样本计算激活函数： 
 
其中lamada：1.0507009873554804934193349852946 
alpha：1.6732632423543772848170429916717 
这两个值是在文章中进行证明后得到的，如果需要得到归一化后得到指定均值和方差的lamada和alpha，文章中也给出了相应的计算公式。

下面给出tensorflow中实现的selu激活函数：

def selu(x):
  with ops.name_scope('elu') as scope:
    alpha = 1.6732632423543772848170429916717
    scale = 1.0507009873554804934193349852946
    return scale*tf.where(x>0.0,x,alpha*tf.nn.elu(x))