更改keras RELU激活函数的阈值

Question

我正在尝试在构建神经网络时更改激活函数的阈值

Relu

。

因此，最初的代码如下所示，其中 relu 阈值的默认值为 0。

model = Sequential([
    Dense(n_inputs, input_shape=(n_inputs, ), activation = 'relu'),
    Dense(32, activation = 'relu'),
    Dense(2, activation='softmax')
])

但是，Keras 提供了相同的功能实现，可以参考here并添加屏幕截图。

因此，我将代码更改为以下内容以传递自定义函数，结果却出现以下错误。

from keras.activations import relu
model = Sequential([
    Dense(n_inputs, input_shape=(n_inputs, ), activation = relu(threshold = 2)), 
    Dense(32, activation = relu(threshold = 2)),
    Dense(2, activation='softmax')
])

错误：

TypeError: relu() missing 1 required positional argument: 'x'

我知道错误是我没有在 relu 函数中使用 x，但我无法传递类似的东西。语法要求我写

model.add(layers.Activation(activations.relu))

但随后我将无法更改阈值。这就是我需要解决方法或解决方案的地方。

然后我使用了ReLU函数的层实现，它对我有用，如下所示，但我想知道是否有一种方法可以使激活函数实现工作，因为添加层并不总是方便，而且我想要在 Dense 函数内部进行更多修改。

对我有用的代码：-

from keras.layers import ReLU
model = Sequential([
    Dense(n_inputs, input_shape=(n_inputs, )),
    ReLU(threshold=4), 
    Dense(32),
    ReLU(threshold=4),
    Dense(2, activation='softmax')
])

Answer 1

您面临的错误是合理的。但是，您可以在

relu

函数上使用以下技巧来完成您的工作。通过这种方式，您可以定义一个带有必要参数的函数，例如

alpha

、

threshold

等，并在函数体中定义另一个函数，该函数使用这些参数计算

relu

激活，最后返回到上部功能。

# help(tf.keras.backend.relu)
from tensorflow.keras import backend as K
def relu_advanced(alpha=0.0, max_value=None, threshold=0):        
    def relu_plus(x):
        return K.relu(x, 
                      alpha = tf.cast(alpha, tf.float32), 
                      max_value = max_value,
                      threshold= tf.cast(threshold, tf.float32))
    return relu_plus

样品：

foo = tf.constant([-10, -5, 0.0, 5, 10], dtype = tf.float32)
tf.keras.activations.relu(foo).numpy()
array([ 0.,  0.,  0.,  5., 10.], dtype=float32)

x = relu_advanced(threshold=1)
x(foo).numpy()
array([-0., -0.,  0.,  5., 10.], dtype=float32)

对于您的情况，只需使用如下：

model = Sequential([
    Dense(64, input_shape=(32, ), activation = relu_advanced(threshold=2)), 
    Dense(32, activation = relu_advanced(threshold=2)),
    Dense(2, activation='softmax')
])

Answer 2

您可以直接使用激活层作为激活函数，例如：

model.add(keras.layers.Dense(units=4, activation=keras.layers.ReLU(max_value=5.0, negative_slope=0.5, threshold=0.1)))