前言

激活函數(shù)是人工神經(jīng)網(wǎng)絡(luò)的基本組成部分。他們將非線性引入模型，使其能夠?qū)W習(xí)數(shù)據(jù)中的復(fù)雜關(guān)系。Swish 激活函數(shù)就是此類激活函數(shù)之一，因其獨(dú)特的屬性和相對于廣泛使用的整流線性單元 (ReLU) 激活的潛在優(yōu)勢而受到關(guān)注。在本文中，我們將深入研究 Swish 激活函數(shù)，提供數(shù)學(xué)公式，探索其相對于 ReLU 的優(yōu)勢，并使用 PyTorch 演示其實(shí)現(xiàn)。

Swish 激活功能

Swish 激活函數(shù)由 Google 研究人員于 2017 年推出，其數(shù)學(xué)定義如下：

Swish(x) = x * sigmoid(x)

Where:

• x：激活函數(shù)的輸入值。
• sigmoid(x)：sigmoid 函數(shù)，將任何實(shí)數(shù)值映射到范圍 [0, 1]。隨著 x 的增加，它從 0 平滑過渡到 1。

Swish 激活將線性分量（輸入 x）與非線性分量（sigmoid函數(shù)）相結(jié)合，產(chǎn)生平滑且可微的激活函數(shù)。

在哪里使用 Swish 激活？

Swish 可用于各種神經(jīng)網(wǎng)絡(luò)架構(gòu)，包括前饋神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò) (CNN) 和循環(huán)神經(jīng)網(wǎng)絡(luò) (RNN)。它的優(yōu)勢在深度網(wǎng)絡(luò)中變得尤為明顯，它可以幫助緩解梯度消失問題。

Swish 激活函數(shù)相對于 ReLU 的優(yōu)點(diǎn)

現(xiàn)在，我們來探討一下 Swish 激活函數(shù)與流行的 ReLU 激活函數(shù)相比的優(yōu)勢。

平滑度和可微分性

由于 sigmoid 分量的存在，Swish 是一個平滑且可微的函數(shù)。此屬性使其非常適合基于梯度的優(yōu)化技術(shù)，例如隨機(jī)梯度下降 (SGD) 和反向傳播。相比之下，ReLU 在零處不可微（ReLU 的導(dǎo)數(shù)在 x=0 時未定義），這可能會帶來優(yōu)化挑戰(zhàn)。

改進(jìn)深度網(wǎng)絡(luò)的學(xué)習(xí)

在深度神經(jīng)網(wǎng)絡(luò)中，與 ReLU 相比，Swish 可以實(shí)現(xiàn)更好的學(xué)習(xí)和收斂。Swish 的平滑性有助于梯度在網(wǎng)絡(luò)中更平滑地流動，減少訓(xùn)練期間梯度消失的可能性。這在非常深的網(wǎng)絡(luò)中尤其有用。

類似的計算成本

Swish 激活的計算效率很高，類似于 ReLU。這兩個函數(shù)都涉及基本的算術(shù)運(yùn)算，不會顯著增加訓(xùn)練或推理過程中的計算負(fù)擔(dān)。

使用 PyTorch 實(shí)現(xiàn)

現(xiàn)在，我們來看看如何使用 PyTorch 實(shí)現(xiàn) Swish 激活函數(shù)。我們將創(chuàng)建一個自定義 Swish 模塊并將其集成到一個簡單的神經(jīng)網(wǎng)絡(luò)中。

讓我們從導(dǎo)入必要的庫開始。

import torch
import torch.nn as nn
import torch.optim as optim
import torch.nn.functional as F
from torchvision import datasets, transforms
from torch.utils.data import DataLoader

一旦我們完成了庫的導(dǎo)入，我們就可以定義自定義激活——Swish。

以下代碼定義了一個繼承 PyTorch 基類的類。類內(nèi)部有一個forward方法。該方法定義模塊如何處理輸入數(shù)據(jù)。它將輸入張量作為參數(shù)，并在應(yīng)用 Swish 激活后返回輸出張量。

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

定義 Swish 類后，我們繼續(xù)定義神經(jīng)網(wǎng)絡(luò)模型。

在下面的代碼片段中，我們使用 PyTorch 定義了一個專為圖像分類任務(wù)設(shè)計的神經(jīng)網(wǎng)絡(luò)模型。

• 輸入層有28×28像素。

• 隱藏層

  • 第一個隱藏層由 256 個神經(jīng)元組成。它采用扁平輸入并應(yīng)用線性變換來產(chǎn)生輸出。
  • 第二個隱藏層由 128 個神經(jīng)元組成，從前一層獲取 256 維輸出并產(chǎn)生 128 維輸出。
  • Swish 激活函數(shù)應(yīng)用于兩個隱藏層，以向網(wǎng)絡(luò)引入非線性。
  • 輸出層由 10 個神經(jīng)元組成，用于執(zhí)行 10 個類別的分類。

# 定義神經(jīng)網(wǎng)絡(luò)模型
class Net(nn.Module):
	def __init__(self):
		super(Net, self).__init__()
		self.fc1 = nn.Linear(28 * 28, 256)
		self.fc2 = nn.Linear(256, 128)
		self.fc3 = nn.Linear(128, 10)
		self.swish = Swish()

	def forward(self, x):
		x = x.view(-1, 28 * 28)
		x = self.fc1(x)
		x = self.swish(x)
		x = self.fc2(x)
		x = self.swish(x)
		x = self.fc3(x)
		return x

為了設(shè)置用于訓(xùn)練的神經(jīng)網(wǎng)絡(luò)，我們創(chuàng)建模型的實(shí)例，定義損失函數(shù)、優(yōu)化器和數(shù)據(jù)轉(zhuǎn)換。

# 創(chuàng)建模型的實(shí)例
model = Net()

# 定義損失函數(shù)和優(yōu)化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)

# 定義數(shù)據(jù)轉(zhuǎn)換
transform = transforms.Compose([
	transforms.ToTensor(),
])

完成此步驟后，我們可以繼續(xù)在數(shù)據(jù)集上訓(xùn)練和評估模型。讓我們使用以下代碼加載 MNIST 數(shù)據(jù)并創(chuàng)建用于訓(xùn)練的數(shù)據(jù)加載器。

# 加載MNIST數(shù)據(jù)集
train_dataset = datasets.MNIST('', train=True, download=True, transform=transform)
test_dataset = datasets.MNIST('', train=False, download=True, transform=transform)

# 創(chuàng)建數(shù)據(jù)加載器
train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True)
test_loader = DataLoader(test_dataset, batch_size=32, shuffle=False)

有了這些數(shù)據(jù)加載器，我們就可以繼續(xù)訓(xùn)練循環(huán)來迭代批量的訓(xùn)練和測試數(shù)據(jù)。

在下面的代碼中，我們執(zhí)行了神經(jīng)網(wǎng)絡(luò)的訓(xùn)練循環(huán)。該循環(huán)將重復(fù) 5 個時期，在此期間更新模型的權(quán)重，以最大限度地減少損失并提高其在訓(xùn)練數(shù)據(jù)上的性能。

# 訓(xùn)練循環(huán)
num_epochs = 5
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

model.to(device)

for epoch in range(num_epochs):
	model.train()
	total_loss = 0.0
	for batch_idx, (data, target) in enumerate(train_loader):
		data, target = data.to(device), target.to(device)
		optimizer.zero_grad()
		output = model(data)
		loss = criterion(output, target)
		loss.backward()
		optimizer.step()
		total_loss += loss.item()
	
	print(f"Epoch {epoch+1}/{num_epochs}, Loss: {total_loss / len(train_loader)}")

輸出：

Epoch 1/5, Loss: 1.6938323568503062
Epoch 2/5, Loss: 0.4569567457397779
Epoch 3/5, Loss: 0.3522500048557917
Epoch 4/5, Loss: 0.31695075702369213
Epoch 5/5, Loss: 0.2961081813474496

最后一步是模型評估步驟。

# 評估循環(huán)
model.eval()
correct = 0
total = 0
with torch.no_grad():
	for data, target in test_loader:
		data, target = data.to(device), target.to(device)
		outputs = model(data)
		_, predicted = torch.max(outputs.data, 1)
		total += target.size(0)
		correct += (predicted == target).sum().item()

print(f"Accuracy on test set: {100 * correct / total}%")

輸出：

Accuracy on test set: 92.02%

結(jié)論

Swish 激活函數(shù)為 ReLU 等傳統(tǒng)激活函數(shù)提供了一種有前景的替代方案。它的平滑性、可微性和改善深度網(wǎng)絡(luò)學(xué)習(xí)的潛力使其成為現(xiàn)代神經(jīng)網(wǎng)絡(luò)架構(gòu)的寶貴工具。通過在 PyTorch 中實(shí)施 Swish，您可以利用其優(yōu)勢并探索其在各種機(jī)器學(xué)習(xí)任務(wù)中的有效性。

以上就是使用Pytorch實(shí)現(xiàn)Swish激活函數(shù)的示例詳解的詳細(xì)內(nèi)容，更多關(guān)于Pytorch Swish激活函數(shù)的資料請關(guān)注腳本之家其它相關(guān)文章！

最新評論