#AI挑战营终点站#模型优化--激活函数比较
本帖最后由 wakojosin 于 2024-6-23 17:40 编辑# 模型介绍
使用的模型是LeNET，模型结构如下：
- 输入层：接收32x32的灰度图像；
- C1卷积层：使用6个5x5的卷积核进行卷积操作，输出尺寸为28x28；
- S2池化层：使用2x2的平均池化操作，输出14x14；
- C3卷积层：使用16个5x5卷积核对S2的输出进行卷积，输出尺寸为10x10
- S4池化层：再次使用2x2的平均池化，输出尺寸5x5；
- C5卷积层：这是全连接层前的卷积操作，使用120个5x5的卷积核，在之前特征图的基础上进行全连接计算，输出1x1x120的特征向量；
- F6全连接层：拥有84个神经元，将C5的输出进一步压缩为一个固定长度的向量，用于分类前的特征表示；
- 输出层：最后一个逻辑回归（或层softmax层），用于将F6的输出转化为10类输出的概率分布，对应0~9的数字
## 模型
```python
# act_func = nn.Softmax()
act_func = nn.ReLU()
net = torch.nn.Sequential(
# Reshape(),
nn.Conv2d(1, 6, kernel_size=5, stride=1), act_func, # (32-5)/1+1=28
nn.AvgPool2d(kernel_size=2, stride=2), # (28-2)/2+1=14
nn.Conv2d(6, 16, kernel_size=5), act_func, # 14-5+1=10
nn.AvgPool2d(kernel_size=2, stride=2), # (10-2)/2+1=5
nn.Flatten(),
nn.Linear(16 * 5 * 5, 120), act_func,
nn.Linear(120, 84), act_func,
nn.Linear(84, 10)
)
```
# 优化对比
此次优化对比主要是针对激活函数。
## 激活函数
1. ReLU
函数f(x)=max(0,x)
特点：
- 计算简单，只有线性关系和阈值操作，不会出现梯度饱和
- 对负数输出恒为0，可能会导致部分神经元永远不被激活；
2. Sigmoid
函数f(x)=1/(1+e^(-x))
特点：
- 输出范围有限，介于0~1之间，适用于二分类概率输出场景；
- 输出连续可微，适用于逻辑回归等模型；
- 当输入绝对值较大时，sigmoid函数的导数值非常接近0（梯度饱和），导致反向传播时梯度消失，会减慢学习过程；
- 计算相对复杂，设计指数运算，比ReLU更耗时；
3. Softmax
函数p(i)=e^z(i)/sum(e^z(j)),j=1..n
特点：
- 概率输出，将输入转化为概率分布，所有输出之和为1，非常适合多分类任务；
- 类别间比较，提供一种自然的方式比较不同类别的相对置信度；
- 计算复杂，相比ReLU和Sigmoid，sofsh书倒数tmax涉及到更加复杂的数学计算，包括指数和归一化；
-
## 结果对比
激活函数的实际效果：
func |Avg.Loss|Accuracy|speed
:-:| :-:| :-:|:-:
Softmax|0.000047|0.985500|mid
sigmoid|0.000058|0.981900|slow
ReLU |0.000028|0.990900|quick
<p>ReLU 前几天看一个说法，改变世界的算式，但是简单的第一天学编程的都能做出来。</p>
<p>你这个模型激活函数分析和对比，还是挺有意义的。</p>
页:
[1]