KerasにおけるLeaky ReLUなどの高級活性化関数の使い方

Kerasを使ってCNNなど一連のネットワークを実現する時、私達はよくReLUをアクティブ関数として使っています。

from keras import layers
from keras import models
 
model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1))) 
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu')) 
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))

上記のコードは基本的な畳み込み神経ネットワークを実現し、ReLUを活性化関数として使用し、ReLUの詳細については説明しない。いくつかの一般的なアクティブ関数があります。
ソフトマックス：多分類でよく使われる活性化関数は、論理回帰に基づいている。
Softplus：ソフトプラス（x）＝log（1＋e^x）は、生体神経活性化関数に近いものです。
Relu：生体神経活性化関数に近い最近現れたものです。
tanh：双曲線タンジェント活性化関数もよく使われています。
sigmoid：S字型曲線活性化関数で、最も一般的です。
ハードボイルドsigmoid：S型活性化関数に基づいています。
linear：線形活性化関数で、一番簡単です。
主流の活性化関数は、上記の例のように名称によって直接使用されてもよいが、例えば、Leaky ReLU、PReLUはそのまま使用できない複雑な活性化関数があり、add方法を使用して高度な活性化関数をレイヤ（layer）として使用しなければならない。

from keras import layers
from keras import models
from keras.layers import LeakyReLU
 
model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), input_shape=(28, 28, 1)))
model.add(LeakyReLU(alpha=0.05))
model.add(layers.MaxPooling2D((2, 2))) 
 
model.add(layers.Conv2D(64, (3, 3))) 
model.add(LeakyReLU(alpha=0.05))
model.add(layers.MaxPooling2D((2, 2)))
 
model.add(layers.Conv2D(64, (3, 3))
model.add(LeakyReLU(alpha=0.05))

ここでは、畳み込み層の中から活性化関数のパラメータを除去し、畳み込み層の後に高度な活性化層を追加して、以下でテストします。
>>model.summary()

ここでは、ネットワーク全体の構造の結果から、畳み込み層の後に新たな活性化層が確実に加わり、LeakyReLU関数を使用していることがわかる。
補足知識：Keras呼び出しleaky_relu
Kerasにleaky_がありますレルの実現。leaky_reluはレlu関数に統合された。
公式文書を参照:
https://tensorflow.google.cn/api_docs/python/tf/kers/backend/relu？hl=en
Agments
x
A tensor variable.
アルファ
A scalar、sleope of negative section(default=0.)
max_value
float.Saturation thress hold.
エスホルド
float.Thress hold value for threshed activation.
アルファ値は負の部分線形関数の勾配を制御する。アルファ＝0が元のrelu関数です。alpha>0になるとleaky_となります。relu
ソースコードを確認して、Keras.backbendの中で、tenssor flow.python.ops庫nnの中のleakyを呼び出します。relu関数が実装されました。

def relu(x, alpha=0., max_value=None, threshold=0):
 """Rectified linear unit.
 With default values, it returns element-wise `max(x, 0)`.
 Otherwise, it follows:
 `f(x) = max_value` for `x >= max_value`,
 `f(x) = x` for `threshold <= x < max_value`,
 `f(x) = alpha * (x - threshold)` otherwise.
 Arguments:
   x: A tensor or variable.
   alpha: A scalar, slope of negative section (default=`0.`).
   max_value: float. Saturation threshold.
   threshold: float. Threshold value for thresholded activation.
 Returns:
   A tensor.
 """

 if alpha != 0.:
  if max_value is None and threshold == 0:
   return nn.leaky_relu(x, alpha=alpha)  ##      leaky_relu

  if threshold != 0:
   negative_part = nn.relu(-x + threshold)
  else:
   negative_part = nn.relu(-x)

 clip_max = max_value is not None

 if threshold != 0:
  # computes x for x > threshold else 0
  x = x * math_ops.cast(math_ops.greater(x, threshold), floatx())
 elif max_value == 6:
  # if no threshold, then can use nn.relu6 native TF op for performance
  x = nn.relu6(x)
  clip_max = False
 else:
  x = nn.relu(x)

 if clip_max:
  max_value = _constant_to_tensor(max_value, x.dtype.base_dtype)
  zero = _constant_to_tensor(0, x.dtype.base_dtype)
  x = clip_ops.clip_by_value(x, zero, max_value)

 if alpha != 0.:
  alpha = _to_tensor(alpha, x.dtype.base_dtype)
  x -= alpha * negative_part
 return x

以上のKerasのLeaky ReLUなどの高機能機能機能の使い方は、小編集が皆さんに共有しているすべての内容です。参考にしていただければと思います。よろしくお願いします。