ReLU

本文探讨了ReLU函数在神经网络中的应用及其带来的问题,包括dying ReLU现象,并提出了几种解决方案,如使用Leaky ReLU或调整学习率。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

线性的函数,计算简单,收敛快,sparsely activated。
所谓sparsity是指模型sparsity。指模型更多的神经元是在处理有用的部分,舍弃无用的部分,所以比dense network工作更好,更快
但ReLU有个问题是dying ReLU。即如果一个神经元陷入了<0的部分,总是输出0,则这个神经元死了。这样的神经元没有用处,网络的一大部分都在无所事事。那为什么一开始这样的设计能works呢?因为在一个step中,有很多点,只要他们不是全为负数就不会斜率为0. 这个问题会出现在学习率太大或者有个很大的负偏差。
要解决这个问题,通常使用低的学习率,或者Leaky ReLU或ELU都可以尝试。负数时也有斜率。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值