重庆网站租赁空间,wordpress 扫码阅读,深圳大森设计,赣州91人才网官网激活函数总结#xff08;三十五#xff09;#xff1a;激活函数补充 1 引言2 激活函数2.1 KAF激活函数2.2 Siren激活函数 3. 总结 1 引言
在前面的文章中已经介绍了介绍了一系列激活函数 (Sigmoid、Tanh、ReLU、Leaky ReLU、PReLU、Swish、ELU、SELU、GELU、Softmax、Softp… 激活函数总结三十五激活函数补充 1 引言2 激活函数2.1 KAF激活函数2.2 Siren激活函数 3. 总结 1 引言
在前面的文章中已经介绍了介绍了一系列激活函数 (Sigmoid、Tanh、ReLU、Leaky ReLU、PReLU、Swish、ELU、SELU、GELU、Softmax、Softplus、Mish、Maxout、HardSigmoid、HardTanh、Hardswish、HardShrink、SoftShrink、TanhShrink、RReLU、CELU、ReLU6、GLU、SwiGLU、GTU、Bilinear、ReGLU、GEGLU、Softmin、Softmax2d、Logsoftmax、Identity、LogSigmoid、Bent Identity、Absolute、Bipolar、Bipolar Sigmoid、Sinusoid、Cosine、Arcsinh、Arccosh、Arctanh、LeCun Tanh、TanhExp、Gaussian 、GCU、ASU、SQU、NCU、DSU、SSU、SReLU、BReLU、PELU、Phish、RBF、SQ-RBF、ISRU、ISRLU、SQNL、PLU、APL、Inverse Cubic、Soft Exponential、ParametricLinear、Piecewise Linear Unit、CLL、SquaredReLU、ModReLU、CosReLU、SinReLU、Probit、Smish、Multiquadratic、InvMultiquadratic、PSmish、ESwish、CoLU、ShiftedSoftPlus、Logit、Softsign、ELiSH、Hard ELiSH、Serf、FReLU、QReLU、m-QReLU、FReLU、CReLU)。在这篇文章中会接着上文提到的众多激活函数继续进行介绍给大家带来更多不常见的激活函数的介绍。这里放一张激活函数的机理图
2 激活函数
2.1 KAF激活函数
论文链接Kafnets: kernel-based non-parametric activation functions for neural networks
KAFKernel Activation Function旨在通过引入核函数的概念来提高神经网络的性能。KAF 激活函数的主要思想是将输入通过核函数进行映射然后再应用标准的激活函数从而实现更高维度的非线性变换。这可以帮助神经网络更好地建模非线性关系。其数学表达式和数学图像分别如下所示 f ( s ) ∑ i 1 D α i κ ( s , d i ) f(s) \sum_{i1}^D \alpha_i \kappa( s, d_i) f(s)i1∑Dαiκ(s,di) 其中 内核元素的字典 d 0 , … , d D d_0, \ldots, d_D d0,…,dD 通过采样修复 x x x 轴在 0 附近具有均匀的步长; 用户选择内核函数例如高斯ReLUSoftplus和内核元素的数量 D D D 作为超参数。更大的字典导致更具表现力的激活函数和更多的可训练参数; 线性系数通过标准反向传播在每个神经元上独立调整。
优点
非线性建模 KAF 允许神经网络进行非线性映射有助于更好地捕获数据中的复杂模式和关系。核方法 引入核函数的思想可以使神经网络具备核方法的一些优点如处理高维数据和学习复杂的非线性函数。
缺点
计算成本 使用核函数意味着需要计算输入的非线性映射这可能会增加计算成本尤其是在大规模数据和深层网络中。超参数调整 选择适当的核函数以及核函数的超参数可能需要一些经验和调整。解释性 KAF 引入了更复杂的非线性映射可能会降低模型的解释性。
在某些特殊情况下可能有所应用尤其是使用核函数时一般不使用。。。。
2.2 Siren激活函数
论文链接Implicit Neural Representations with Periodic Activation Functions
SirenSinusoidal Representation Network是隐式神经表示的周期性激活函数。具体来说它使用正弦作为周期性激活函数。其数学表达式和数学图像分别如下所示 Φ ( x ) W n ( ϕ n − 1 ∘ ϕ n − 2 ∘ ⋯ ∘ ϕ 0 ) ( x ) b n ϕ i ( x i ) s i n ( W i x i b i ) \Phi\left(x\right) \textbf{W}_{n}\left(\phi_{n-1} \circ \phi_{n-2} \circ \dots \circ \phi_{0} \right)(x)b_n \\ \phi_{i}(x_i) sin(W_ix_ib_i) Φ(x)Wn(ϕn−1∘ϕn−2∘⋯∘ϕ0)(x)bnϕi(xi)sin(Wixibi) 优点
平滑性 正弦函数是一个平滑的函数可以提供平滑的非线性变换有助于避免梯度消失问题。表示能力 Siren 激活函数具有强大的表示能力能够适应多种数据模式包括高频信号和图像中的细节。可扩展性 Siren 可以用于处理不同尺度和分辨率的数据因此在图像生成和处理方面表现出色。
缺点
计算成本 由于正弦函数涉及三角函数的计算相对于某些简单的激活函数Siren 可能具有较高的计算成本。超参数调整 对于正弦函数的参数如频率需要进行调整这可能需要一些经验和实验。解释性 正弦函数不像某些其他激活函数那样具有直观的物理解释这可能会降低模型的解释性。
Siren 激活函数通常用于生成模型、超分辨率任务和其他需要捕捉高频信息的任务中。
3. 总结
到此使用 激活函数总结三十五 已经介绍完毕了 如果有什么疑问欢迎在评论区提出对于共性问题可能会后续添加到文章介绍中。如果存在没有提及的激活函数也可以在评论区提出后续会对其进行添加
如果觉得这篇文章对你有用记得点赞、收藏并分享给你的小伙伴们哦。
