当前位置：首页 > news >正文

PyTorch 激活函数

news 2025/7/15 15:56:14

激活函数是神经网络中至关重要的组成部分，它们为网络引入了非线性特性，使得神经网络能够学习复杂模式。PyTorch 提供了多种常用的激活函数实现。

常用激活函数

1. ReLU (Rectified Linear Unit)

数学表达式:

PyTorch实现:

torch.nn.ReLU(inplace=False)

特点:

计算简单高效
解决梯度消失问题（正区间）
可能导致"神经元死亡"（负区间梯度为0），ReLU 在输入为负时输出恒为 0，导致反向传播中梯度消失，相关权重无法更新‌14。若神经元长期处于负输入状态，则会永久“死亡”，失去学习能力‌。

示例:

relu = nn.ReLU()
input = torch.tensor([-1.0, 0.0, 1.0, 2.0])
output = relu(input)  # tensor([0., 0., 1., 2.])

2. LeakyReLU

数学表达式:

PyTorch实现:

torch.nn.LeakyReLU(negative_slope=0.01, inplace=False)

特点:

解决了ReLU的"神经元死亡"问题，通过引入负区间的微小斜率（如 torch.nn.LeakyReLU(negative_slope=0.01)），保留负输入的梯度传播，避免神经元死亡‌。
negative_slope通常设为0.01

示例

leaky_relu = nn.LeakyReLU(negative_slope=0.1)
input = torch.tensor([-1.0, 0.0, 1.0, 2.0])
output = leaky_relu(input)  # tensor([-0.1000, 0.0000, 1.0000, 2.0000])

3. Sigmoid

数学表达式:

PyTorch实现:

torch.nn.Sigmoid()

特点:

输出范围(0,1)，适合二分类问题
容易出现梯度消失问题
输出不以0为中心

示例:

sigmoid = nn.Sigmoid()
input = torch.tensor([-1.0, 0.0, 1.0, 2.0])
output = sigmoid(input)  # tensor([0.2689, 0.5000, 0.7311, 0.8808])

4. Tanh (Hyperbolic Tangent)

数学表达式:

PyTorch实现:

torch.nn.Tanh()

特点:

输出范围(-1,1)，以0为中心
比sigmoid梯度更强
仍存在梯度消失问题

示例:

tanh = nn.Tanh()
input = torch.tensor([-1.0, 0.0, 1.0, 2.0])
output = tanh(input)  # tensor([-0.7616, 0.0000, 0.7616, 0.9640])

5. Softmax

数学表达式:

PyTorch实现:

torch.nn.Softmax(dim=None)

特点:

输出为概率分布（和为1）
常用于多分类问题的输出层
dim参数指定计算维度

示例:

softmax = nn.Softmax(dim=1)
input = torch.tensor([[1.0, 2.0, 3.0]])
output = softmax(input)  # tensor([[0.0900, 0.2447, 0.6652]])

其他激活函数

6. ELU (Exponential Linear Unit)

torch.nn.ELU(alpha=1.0, inplace=False)

7. GELU (Gaussian Error Linear Unit)

torch.nn.GELU()

8. Swish

class Swish(nn.Module):
    def forward(self, x):
        return x * torch.sigmoid(x)

选择指南

隐藏层：通常首选ReLU及其变体（LeakyReLU、ELU等）
二分类输出层：Sigmoid
多分类输出层：Softmax
需要负输出的情况：Tanh或LeakyReLU
Transformer模型：常用GELU

自定义激活函数

PyTorch可以轻松实现自定义激活函数：

class CustomActivation(nn.Module):
    def __init__(self):
        super().__init__()
    
    def forward(self, x):
        return torch.where(x > 0, x, torch.exp(x) - 1)