6

使用 Keras 设置神经网络时，您可以使用Sequential模型或Functional API. 我的理解是前者易于设置和管理，并且作为层的线性堆栈运行，并且功能方法对于更复杂的架构很有用，特别是那些涉及共享内部层输出的架构。我个人喜欢使用功能性 API 来实现多功能性，但是，在使用 LeakyReLU 等高级激活层时遇到了困难。当使用标准激活时，在顺序模型中可以写：

model = Sequential()
model.add(Dense(32, activation='relu', input_dim=100))
model.add(Dense(10, activation='softmax'))
model.compile(optimizer='rmsprop',
          loss='categorical_crossentropy',
          metrics=['accuracy'])

类似地，在功能 API 中，可以将上述内容写为：

inpt = Input(shape = (100,))
dense_1 = Dense(32, activation ='relu')(inpt)
out = Dense(10, activation ='softmax')(dense_2)
model = Model(inpt,out)
model.compile(optimizer='rmsprop',
          loss='categorical_crossentropy',
          metrics=['accuracy'])

但是，当使用 LeakyReLU 和 PReLU 等高级激活时，在该顺序模型中，我们将它们编写为单独的层。例如：

model = Sequential()
model.add(Dense(32, input_dim=100))
model.add(LeakyReLU(alpha=0.1))
model.add(Dense(10, activation='softmax'))
model.compile(optimizer='rmsprop',
          loss='categorical_crossentropy',
          metrics=['accuracy'])

现在，我假设在函数式 API 方法中做同样的事情：

inpt = Input(shape = (100,))
dense_1 = Dense(32)(inpt)
LR = LeakyReLU(alpha=0.1)(dense_1)
out = Dense(10, activation ='softmax')(LR)
model = Model(inpt,out)
model.compile(optimizer='rmsprop',
          loss='categorical_crossentropy',
          metrics=['accuracy'])

我的问题是：

  1. 这是功能方法中的正确语法吗？
  2. 为什么 Keras 需要一个新层来实现这些高级激活功能，而不是让我们只替换'relu'？
  3. 为激活函数创建一个新层，而不是将其分配给现有的层定义（如我们编写的第一个示例中'relu'），有什么根本不同吗，因为我意识到你总是可以编写你的激活函数，包括标准的，作为新层，虽然已经读过应该避免这种情况？
4

1 回答 1

4

  1. 不，您忘记将 LeakyReLU 连接到密集层：

    LR = LeakyReLU(alpha=0.1)(dense_1)

  2. 通常，高级激活具有可调或可学习的参数，这些参数必须存储在某个地方，将它们作为层更有意义，因为您可以访问和保存这些参数。

  3. 只有在有优势时才这样做，例如可调参数。
于 2018-04-16T22:49:40.493 回答