博客

转载自CSDN,

CReLU激活函数

CReLU

一种改进 ReLU 激活函数的文章，来自ICML2016.

1. 背景介绍

整个文章的出发点来自于下图的统计现象：



为了看懂上图。

（1）首先介绍一下余弦相似度(cos距离)的概念



cos距离的取值范围是 [-1,+1]，距离越接近-1，表示两个向量的方向越相反，即呈负相关关系。

（2）再来介绍一下 pair filter的定义

一个卷积层有

\(j=1, \cdots, n\)

个卷积核(filter), 一个卷积核

\(ϕ_i\)

对应的 pairing filter 定义为

\[ϕ_i = argmin_{ϕ_j}cos<ϕ_i, ϕ_j>\]

即从所有卷积核中选择一个cos相似度最小的卷积核。

我们再回头看上图。 对所有卷积核寻找其 pair filter，并计算cos相似度得到蓝色的统计直方图。 红色的曲线，是假设随机高斯分布生成的卷积核得到的相似度统计。

现象：网络的前部，参数的分布有更强的负相关性(类似于正负对立)。随着网络变深，这种负相关性逐步减弱。

结论：网络的前部，网络倾向于同时捕获正负相位的信息，但ReLU会抹掉负响应。 这造成了卷积核会存在冗余。

2. CReLU

CReLU的定义很简单：

\[\text{CReLU(x)= Concat[ ReLU(x), ReLU(−x) ]}\]

输出维度会自动加倍。 比如

\[ [−3, 1] \rightarrow \begin{matrix} [[0&1], \\ [3&0]] \\ \end{matrix}\]

在网络中的实现也很简单，甚至不用修改代码（通过scale层取反再经过一次ReLU）