知识卡片
泄漏ReLU激活函数
泄漏 ReLU(leaky ReLU)是 ReLU 的变体,在原始 GAN 的隐藏层广泛使用。普通 ReLU 对负输入输出零,神经元一旦进入负区间便永久失活,即“死 ReLU”问题;泄漏 ReLU 正是为缓解它而提出。定义为 f(x)=max(x, ax),a 是 0 到 1 之间的斜率因子,实践常取较小值如 0.2。这样即使输入为负,神经元仍保留很小的梯度,避免完全死亡,让训练更稳定。代码中生成器与判别器每个隐藏层都用 tf.nn.leaky_relu 并以 alpha=0.2 调用,生成器输出层则改用 tanh 把数据映射到图像范围。参见[[原始GAN的全连接架构]]。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 生成对抗网络 原始 GAN · 查看原书依据
请注意,每个隐藏层的激活函数是泄漏的 ReLU,这是 ReLU 的变体。 发明它是为了解决即将死去的 ReLU 问题,即对于该函数的任何负输入,其输出变为零。
参考来源
- 位置:《Python深度学习架构实用指南(初译)》第07章《生成对抗网络》(源文件:`../../book-sources/extracted/Python深度学习架构实用指南(初译)/_epub-src/OEBPS/Text/13.html`,来源项目 a19c7933-4eda-4176-aebd-30fe7e1ad292)
- 结论依据:原文说明泄漏 ReLU 是为解决死 ReLU 问题提出的 ReLU 变体,支撑其在 GAN 隐藏层中保留负区梯度的结论。
- 原始内容:请注意,每个隐藏层的激活函数是泄漏的 ReLU,这是 ReLU 的变体。 发明它是为了解决即将死去的 ReLU 问题,即对于该函数的任何负输入,其输出变为零。