当前位置：首页 > news >正文

小土堆pytorch--神经网络-非线性激活线性层及其他层介绍

news 来源：原创 2025/5/23 12:57:33

1. 神经网络-非线性激活

1.1 relu与sigmoid

在这里插入图片描述

1.1.1 ReLU（Rectified Linear Unit，修正线性单元）

定义与数学表达：数学定义为 $\max(0, x)$ ，即当输入 $x > 0$ 时，输出为 $x$ ；当 $\leq 0$ 时，输出为 $0$ 。函数图像在正区间为线性，负区间为 $0$ ，整体呈现非线性。
核心优势
- 计算高效：只需比较输入值与 $0$ 的大小，无需像Sigmoid函数那样进行复杂的指数运算，能显著提升神经网络训练速度。
- 缓解梯度消失问题：在正区间内，ReLU的导数为 $1$ 。传统激活函数（如Sigmoid、Tanh ）在反向传播时，因梯度趋近于 $0$ 会导致训练停滞，ReLU在这方面有优势，尤其适用于深层网络。
- 稀疏激活特性：负输入时输出为 $0$ ，使神经元激活呈现稀疏性，类似生物神经元工作方式，可减少计算量，提升模型泛化能力。
- 避免饱和问题：在正区间无饱和现象，输出随输入线性增长，而Sigmoid/Tanh在极端输入时梯度趋近于 $0$ 。
局限性及改进方案
- 死神经元问题（Dying ReLU）：当输入持续为负时，神经元输出恒为 $0$ 且梯度无法更新，导致永久性失效。改进方法如Leaky ReLU，在负区间引入小斜率（如 $0.01$ ），保留微弱激活；Parametric ReLU (PReLU) ，将负区间的斜率设为可学习参数，自适应调整；Exponential Linear Unit (ELU) ，负区间使用指数函数，平滑过渡且保持梯度非零。
- 非零中心性：输出均为非负数，可能导致梯度更新方向单一，影响收敛效率。
应用领域
- 卷积神经网络（CNN）：是CNN中的标准激活函数，如ResNet、YOLO等网络结构，能加速特征提取，在图像分类、目标检测等任务中提升模型性能。
- 自然语言处理：在Transformer架构中结合注意力机制，处理长序列依赖；BERT、GPT等模型通过ReLU增强非线性表达能力。
- 语音识别：在深度神经网络（DNN）和LSTM中减少梯度消失，提升语音特征学习效率。

1.1.2 Sigmoid函数

定义与数学表达：也称为Logistic函数，数学表达式为 $\sigma(x)=\frac{1}{1 + e^{-x}}$ ，它将任意实数映射到 $0$ 到 $1$ 之间的值。
核心优势
- 输出范围合适：输出范围在 $0$ 到 $1$ 之间，适合用于二分类问题，可将输出解释为样本属于某个类别的概率。
- 平滑性：函数光滑且连续，在整个定义域上都具有可导性，对于基于梯度的优化方法（如梯度下降）很重要。
- 非线性特性：引入非线性变换，让神经网络能够学习和表示复杂的非线性函数关系。
局限性
- 梯度饱和：当输入很大或很小时，Sigmoid函数的梯度会接近于零，导致梯度消失问题，使训练过程变得缓慢或停滞。
- 输出不是零中心：输出范围是 $(0, 1)$ ，不是零中心，可能会引发一些训练问题。
- 指数运算开销大：计算需要进行指数运算，计算量较大，在大规模数据集和深层网络中更为明显。
应用领域
- 二分类问题：作为输出层的激活函数，将网络的输出映射到 $(0, 1)$ 的概率范围内。
- 逻辑回归：用作逻辑函数，将线性模型的输出转换为概率值。
- 异常检测：将数据映射到 $0$ 到 $1$ 的范围内，评估数据点是否属于正常状态。
- 概率建模：用于概率模型中的激活函数，确保输出在概率范围内。

1.2 相关代码

import torch
import torchvision.datasets
from torch import nn
from torch.nn import ReLU, Sigmoid
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriterinput = torch.tensor([[1,-0.5],[-1,3]])
input = torch.reshape(input,(-1,1,2,2))
print(input.shape)dataset = torchvision.datasets.CIFAR10("data", train=False, download=True,transform=torchvision.transforms.ToTensor())
dataloader = DataLoader(dataset,batch_size=64)
class Test(nn.Module):def __init__(self):super(Test,self).__init__()self.relu1 = ReLU()self.sigmoid1 = Sigmoid()def forward(self, input):output = self.sigmoid1(input)return outputtest = Test()
output = test(input)
print(output)step = 0
writer = SummaryWriter("logs")
for data in dataloader:imgs, targets = datawriter.add_images("input", imgs, global_step=step)output = test(imgs)writer.add_images("output",output, global_step=step)step = step + 1
writer.close()

打开tensorboard展示运行结果
请添加图片描述

2. 线性层及其他层介绍

在这里插入图片描述
这是一张神经网络结构示意图

输入层（Input layer）

左侧浅蓝色椭圆标记为 $X$ ，代表输入向量，包含 $d$ 个输入特征，分别为 $x_1, x_2, \cdots, x_d$ 。这些特征是神经网络接收的原始数据，是后续计算的基础。

隐藏层（Hidden layer）

中间层由多个神经元（圆圈表示）组成，分别为 $g_1, g_2, \cdots, g_L$ 。
从输入层到隐藏层的连接线上标有计算式，如 $k_1 \times x_1 + b_1$ ，表示输入特征 $x_1$ 与权重 $k_1$ 相乘后加上偏置 $b_1$ ，这是神经元进行线性变换的过程。每个隐藏层神经元都对输入特征进行这样的线性组合操作，然后通常会经过一个激活函数（图中未明确画出激活函数，但实际应用中存在）进行非线性变换，得到隐藏层神经元的输出。

输出层（Output layer）

右侧黄色椭圆标记为 $O$ ，包含 $m$ 个输出神经元，分别为 $o_1, o_2, \cdots, o_m$ 。
隐藏层与输出层之间的连接线上标有 $\beta$ ，表示隐藏层到输出层的权重。隐藏层神经元的输出与这些权重进行加权求和，得到输出层神经元的最终输出，用于完成预测任务，如回归或分类任务。

import torch
import torchvision
from torch import nn
from torch.nn import Linear
from torch.utils.data import DataLoaderdataset = torchvision.datasets.CIFAR10("das", train=False, transform=torchvision.transforms.ToTensor(),download=True)dataloader = DataLoader(dataset, batch_size=64,drop_last=True)class Test(nn.Module):def __init__(self):super(Test, self).__init__()self.linear1 = Linear(196608,10)def forward(self, input):output = self.linear1(input)return outputtest = Test()for data in dataloader:imgs,targets = dataprint(imgs.shape)output = torch.flatten(imgs)print(output.shape)output = test(output)print(output.shape)