神经网络常见激活函数 8-SELU函数

SELU

• 缩放指数线性单元：SELU（Scaled Exponential Linear Unit）

函数+导函数

• SELU函数
  $$\mathrm{SELU}(\mathrm{x})=\{\begin{array}{cc}\lambda x& x>0\\ \lambda \alpha (e^x-1)& x\le 0\end{array}$$

• SELU函数导数
  $$\frac{d}{dx}\mathrm{SELU}(\mathrm{x})=\{\begin{array}{cc}\lambda & x>0\\ \lambda \alpha e^x& x\le 0\end{array}$$
  其中，$\lambda$ 和 $\alpha$ 是预先定义的常数，通常取值 为
  $$\begin{gathered} \lambda \approx 1.0507 \\ \alpha \approx 1.6732 \end{gathered}$$

函数和导函数图像

• 画图

  下面代码中的scale对应 $\lambda$, alpha 对应 $\alpha$

  import numpy as np
  from matplotlib import pyplot as plt
  
  # 定义 SELU 函数
  def selu(x, alpha=1.6732, scale=1.0507):
      return scale * np.where(x > 0, x, alpha * (np.exp(x) - 1))
  
  # 定义 SELU 的导数
  def selu_derivative(x, alpha=1.6732, scale=1.0507:
      return scale * np.where(x > 0, 1, alpha * np.exp(x))
  
  # 生成数据
  x = np.linspace(-2, 2, 1000)
  y = selu(x)
  y1 = selu_derivative(x)
  
  # 绘制图形
  plt.figure(figsize=(12, 8))
  ax = plt.gca()
  plt.plot(x, y, label='SELU')
  plt.plot(x, y1, label='Derivative')
  plt.title('SELU and Derivative')
  
  # 设置上边和右边无边框
  ax.spines['right'].set_color('none')
  ax.spines['top'].set_color('none')
  
  # 设置 x 坐标刻度数字或名称的位置
  ax.xaxis.set_ticks_position('bottom')
  
  # 设置边框位置
  ax.spines['bottom'].set_position(('data', 0))
  ax.yaxis.set_ticks_position('left')
  ax.spines['left'].set_position(('data', 0))
  
  plt.legend(loc=2)
  plt.show()
  

  ​

  ---

优缺点

• SELU函数针对ReLU函数的改进
  1. 当其中参数 $\lambda \approx 1.0507 ,\alpha \approx 1.6732 $ 时候，在网络权重服从正态分布的条件下，各层输出的分布会向标准正太分布靠拢。这种【自我标准化】的特性可以避免梯度消失和爆炸。
  2. SELU激活函数是在自归一化网络中定义的，通过调整均值和方差来实现内部的归一化，这种内部归一化比外部归一化更快，这使得网络收敛的更快。
  3. SELU是给ELU乘上一个系数，该系数大于 1 。在这篇paper Self－Normalizing Neural Networks中，作者提到，SELU可以使得输入在经过一定层数之后变为固定的分布。以前的 ReLU，P－ReLU，ELU等激活函数都是在负半轴坡度平缓，这样在激活的方差过大时可以让梯度减小，防止了梯度爆炸，但是在正半轴其梯度简答的设置为了 1 。而 SELU的正半轴大于 1 ，在方差过小的时候可以让它增大，但是同时防止了梯度消失。这样激活函数就有了一个不动点，网络深了之后每一层的输出都是均值为 0 ，方差为 1 。

• SELU 的优点

  1. 自归一化：SELU具有自归一化特性，能够自动调整网络中的激活值，使其均值和方差保持稳定。这有助于避免梯度爆炸和梯度消失问题。
  2. 解决“死亡ReLU”问题：与ReLU不同，SELU允许负输入，并通过参数α对其进行缩放，确保所有输入都对模型有贡献。
  3. 加速收敛：SELU通常能够更快地收敛，并在训练的早期阶段实现更好的准确率。
  4. 减少对批量归一化的依赖：由于SELU的自归一化特性，它减少了对批量归一化的需求，从而简化了模型结构。
  5. 适用于多种任务：SELU可以用于多分类和二分类任务，并且在深度神经网络中表现出色。

• SELU 的缺点

  1. 对权重初始化敏感：SELU需要特定的权重初始化方法（LeCun正态初始化）才能发挥最佳效果。其他初始化方法可能会导致性能下降。
  2. 计算复杂度较高：SELU的指数运算比ReLU及其变体更复杂，计算成本更高。
  3. 资源有限：SELU不如ReLU广泛使用，这可能会使寻找基于SELU的架构的库或资源更具挑战性。
  4. 可能的过拟合风险：在某些情况下，SELU可能会导致模型过拟合，尤其是在数据集较小或模型复杂度较高时。

pytorch中的SELU函数

• 代码

  import torch
  
  # 定义 SELU 函数
  f = torch.nn.SELU()  # PyTorch 提供的 SELU 激活函数模块
  x = torch.randn(2)   # 生成一个随机张量作为输入
  
  selu_x = f(x)        # 应用 SELU 函数
  
  print(f"x: \n{x}")
  print(f"selu_x:\n{selu_x}")
  
  """输出"""
  x: 
  tensor([ 0.1895, -0.8333])
  selu_x:
  tensor([ 0.1991, -0.9940])
  

  ---

tensorflow 中的SELU函数

• 代码

  python: 3.10.9

  tensorflow: 2.18.0

  import tensorflow as tf
  
  # 创建 SELU 激活函数
  selu = tf.keras.activations.selu
  
  # 生成随机输入
  # x = tf.random.normal([2])
  x = x = [ 0.1895, -0.8333]
  
  # 应用 SELU 激活函数
  selu_x = selu(x)
  
  print(f"x: \n{x}")
  print(f"selu_x:\n{selu_x}")
  
  """输出"""
  x: 
  [0.1895, -0.8333]
  selu_x:
  [ 0.19910784 -0.99400705]