深度学习基础（七）—— Activation Function

1. Sigmoid

函数定义：

$$f(x)=\frac{1}{1+e^{-x}}$$
对应的图像是：

优点：

• Sigmoid函数的输出映射在(0,1)之间，单调连续，输出范围有限，优化稳定，可以用作输出层。
• 求导容易。

缺点：

• sigmoid容易饱和，出现梯度消失的现象。 sigmoid神经元的一个很差的属性就是神经元的活跃度在0和1处饱和，它的梯度在这些地方接近于0。回忆在反向传播中，某处的梯度和其目标输出的梯度相乘，以得到整个目标。因此，如果某处的梯度过小，就会很大程度上出现梯度消失，使得几乎没有信号经过这个神经元以及所有间接经过此处的数据。除此之外，人们必须额外注意sigmoid神经元权值的初始化来避免饱和。例如，当初始权值过大，几乎所有的神经元都会饱和以至于网络几乎不能学习。
• Sigmoid 的输出不是0均值的，会导致后层的神经元的输入是非0均值的信号，这会对梯度产生影响：假设后层神经元的输入都为正$(e.g. x>0 , f=wTx+b)$，那么对w求局部梯度则都为正，这样在反向传播的过程中w要么都往正方向更新，要么都往负方向更新，导致有一种捆绑的效果，使得收敛缓慢。 但是如果你是按batch去训练，那么每个batch可能得到不同的符号（正或负），那么相加一下这个问题还是可以缓解。

2. Tanh

函数定义：

$$tanh(x)=\frac{1-e^{-2x}}{1+e^{-2x}}$$
对应图像：

优点：

• 相比Sigmoid函数，其输出以0为中心。
• 比Sigmoid函数收敛速度更快

缺点：

• 还是没有改变Sigmoid函数的最大问题——由于饱和性产生的梯度消失。

3. ReLU

函数定义：

$$y= \begin{cases} 0& (x\le0)\\ x& (x>0) \end{cases}$$
对应图像：

优点：

• 相比起Sigmoid和tanh，ReLU(e.g. a factor of 6 in Krizhevsky et al.)在SGD中能够快速收敛。
  
  
  • Sigmoid和tanh涉及了很多很expensive的操作（比如指数），ReLU可以更加简单的实现。
  • 有效缓解了梯度消失的问题。
  • 在无监督预训练的时候也能有较好的表现。
  • 提供了神经网络的稀疏表达能力。

缺点：

• 随着训练的进行，可能会出现神经元死亡，权重无法更新的情况。如果发生这种情况，那么流经神经元的梯度从这一点开始将永远是0。也就是说，ReLU神经元在训练中不可逆地死亡了。例如，当学习速率设定过快时，60%的网络都“挂了”（神经元在此后的整个训练中都不激活）。当学习率设定恰当时，这种事情会更少出现。

4. LReLU、PReLU与RReLU

函数定义：

$$f(y_i)=\begin{cases} y_i& if(y_i>0)\\ a_iy_i& if(y_i\le0) \end{cases}$$
对应图像：

4.1 LReLU

当$a_i$比较小而且固定的时候，我们称之为LReLU。LReLU最初的目的是为了避免梯度消失。但在一些实验中，我们发现LReLU对准确率并没有太大的影响。很多时候，当应用LReLU时，必须要选取出合适的$a_i$，LReLU的表现出的结果才比ReLU好。

4.2 PReLU

PReLU是LReLU的改进，可以自适应地从数据中学习参数。PReLU具有收敛速度快、错误率低的特点。PReLU可以用于反向传播的训练，可以与其他层同时优化。

• PReLU 只增加了极少量的参数，也就意味着网络的计算量以及过拟合的危险性都只增加了一点点。特别的，当不同channels使用相同的$a_i$时，参数就更少了。
• BP更新$a_i$时，采用的是带动量的更新方式：
  $$\Delta a_i:=\mu \Delta a_i+\epsilon \frac{\partial \varepsilon}{\partial a_i}$$
  注意：上式的两个系数分别是动量和学习率。
• 更新 $a_i$ 时不施加权重衰减（L2正则化），因为这会把 $a_i$很大程度上 push 到 0。事实上，即使不加正则化，试验中 $a_i$也很少有超过1的。
• 整个论文，$a_i$被初始化为0.25。
• PReLU具有收敛速度快、错误率低的特点，可以用于反向传播的训练，可以与其他层同时优化。

4.3 RReLU

公式：

$$y_{ji}=\begin{cases} x_{ji}& if(x_{ji}>0)\\ a_{ji}x_{ji}& if(x_{ji}\le0) \end{cases}$$
其中， $a_{ji}$是一个保持在给定范围内取样的随机变量，在测试中是固定的。RReLU在一定程度上能起到正则效果。

4.4 ELU

公式：

$$f(x)=\begin{cases} a(e^x-1)& if(x<0)\\ x& if(0\le x) \end{cases}$$
其中 $a>0$

优点：

• ELU减少了正常梯度与单位自然梯度之间的差距，从而加快了学习。
• 在负的限制条件下能够更有鲁棒性。

5 总结

• 选择的时候，就是根据各个函数的优缺点来配置，例如：
• 如果使用 ReLU，要小心设置 learning rate，注意不要让网络出现很多 “dead” 神经元，如果不好解决，可以试试 Leaky ReLU、PReLU 或者 Maxout。
• 通常来说，很少会把各种激活函数串起来在一个网络中使用的。
• 最好不要用 sigmoid，可以试试 tanh，不过可以预期它的效果会比不上 ReLU 和 Maxout.

6 参考

1. The Activation Function in Deep Learning 浅谈深度学习中的激活函数
2. 神经网络中的各种激活函数
3. 深度学习基础