Skip to content

Commit

Permalink
add chapter5
Browse files Browse the repository at this point in the history
  • Loading branch information
lyhue1991 committed Mar 5, 2020
1 parent 79d1891 commit e73e5f5
Show file tree
Hide file tree
Showing 4 changed files with 460 additions and 9 deletions.
91 changes: 91 additions & 0 deletions 5-3,激活函数activation.md
Original file line number Diff line number Diff line change
@@ -1,2 +1,93 @@
# 5-3,激活函数activation



激活函数在深度学习中扮演着非常重要的角色,它给网络赋予了非线性,从而使得神经网络能够拟合任意复杂的函数。

如果没有激活函数,无论多复杂的网络,都等价于单一的线性变换,无法对非线性函数进行拟合。

目前,深度学习中最流行的激活函数为 relu, 但也有些新推出的激活函数,例如 swish、GELU 据称效果优于relu激活函数。

激活函数的综述介绍可以参考下面两篇文章。

[《一文概览深度学习中的激活函数》](https://mp.weixin.qq.com/s?__biz=MzA3MzI4MjgzMw==&mid=2650732724&idx=4&sn=5230b8bb1811cda38ab97afb417d1613&chksm=871b3ccab06cb5dcdf0bdfadcc7ae85d8ae95588bed0b884a55ba50b76d541771104675fbb3e&scene=21#wechat_redirect)

[《从ReLU到GELU,一文概览神经网络中的激活函数》](https://zhuanlan.zhihu.com/p/98863801)



### 一,常用激活函数


* tf.nn.sigmoid:将实数压缩到0到1之间,一般只在二分类的最后输出层使用。主要缺陷为存在梯度消失问题,计算复杂度高,输出不以0为中心。

![](./data/sigmoid.png)

* tf.nn.softmax:sigmoid的多分类扩展,一般只在多分类问题的最后输出层使用。

![](./data/softmax.png)

* tf.nn.tanh:将实数压缩到-1到1之间,输出期望为0。主要缺陷为存在梯度消失问题,计算复杂度高。

![](./data/tanh.png)

* tf.nn.relu:修正线性单元,最流行的激活函数。一般隐藏层使用。主要缺陷是:输出不以0为中心,输入小于0时存在梯度消失问题(死亡relu)。

![](./data/relu.png)

* tf.nn.leaky_relu:对修正线性单元的改进,解决了死亡relu问题。

![](./data/leaky_relu.png)

* tf.nn.elu:指数线性单元。对relu的改进,能够缓解死亡relu问题。

![](./data/elu.png)

* tf.nn.selu:扩展型指数线性单元。在权重用tf.keras.initializers.lecun_normal初始化前提下能够对神经网络进行自归一化。不可能出现梯度爆炸或者梯度消失问题。需要和Dropout的变种AlphaDropout一起使用。

![](./data/selu.png)

* tf.nn.swish:自门控激活函数。谷歌出品,相关研究指出用swish替代relu将获得轻微效果提升。

![](./data/swish.png)

* gelu:高斯误差线性单元激活函数。在Transformer中表现最好。tf.nn模块尚没有实现该函数。

![](./data/gelu.png)

```python

```

### 二,在模型中使用激活函数


在keras模型中使用激活函数一般有两种方式,一种是作为某些层的activation参数指定,另一种是显式添加layers.Activation激活层。

```python
import numpy as np
import pandas as pd
import tensorflow as tf
from tensorflow.keras import layers,models

tf.keras.backend.clear_session()

model = models.Sequential()
model.add(layers.Dense(32,input_shape = (None,16),activation = tf.nn.relu)) #通过activation参数指定
model.add(layers.Dense(10))
model.add(layers.Activation(tf.nn.softmax)) # 显式添加layers.Activation激活层
model.summary()

```

```python

```

如果对本书内容理解上有需要进一步和作者交流的地方,欢迎在公众号"Python与算法之美"下留言。作者时间和精力有限,会酌情予以回复。

![image.png](./data/Python与算法之美logo.jpg)

```python

```
216 changes: 216 additions & 0 deletions 5-4,模型层layers.md
Original file line number Diff line number Diff line change
@@ -1,2 +1,218 @@
# 5-4,模型层layers



深度学习模型一般由各种模型层组合而成。

tf.keras.layers内置了非常丰富的各种功能的模型层。例如,

layers.Dense,layers.Flatten,layers.Input,layers.DenseFeature,layers.Dropout

layers.Conv2D,layers.MaxPooling2D,layers.Conv1D

layers.Embedding,layers.GRU,layers.LSTM,layers.Bidirectional等等。

如果这些内置模型层不能够满足需求,我们也可以通过编写tf.keras.Lambda匿名模型层或继承tf.keras.layers.Layer基类构建自定义的模型层。

其中tf.keras.Lambda匿名模型层只适用于构造没有学习参数的模型层。

```python

```

### 一,内置模型层

```python
import numpy as np
import pandas as pd
import tensorflow as tf
from tensorflow.keras import layers,models,regularizers
```

一些常用的内置模型层简单介绍如下。

**基础层**

* Dense:密集连接层。参数个数 = 输入层特征数× 输出层特征数(weight)+ 输出层特征数(bias)

* Activation:激活函数层。一般放在Dense层后面,等价于在Dense层中指定activation。

* Dropout:随机置零层。训练期间以一定几率将输入置0,一种正则化手段。

* BatchNormalization:批标准化层。通过线性变换将输入批次缩放平移到稳定的均值和标准差。可以增强模型对输入不同分布的适应性,加快模型训练速度,有轻微正则化效果。一般在激活函数之前使用。

* SpatialDropout2D:空间随机置零层。训练期间以一定几率将整个特征图置0,一种正则化手段,有利于避免特征图之间过高的相关性。

* Input:输入层。通常使用Functional API方式构建模型时作为第一层。

* DenseFeature:特征列接入层,用于接收一个特征列列表并产生一个密集连接层。

* Flatten:压平层,用于将多维张量压成一维。

* Reshape:形状重塑层,改变输入张量的形状。

* Concatenate:拼接层,将多个张量在某个维度上拼接。

* Add:加法层。

* Subtract: 减法层。

* Maximum:取最大值层。

* Minimum:取最小值层。


**卷积网络相关层**

* Conv1D:普通一维卷积,常用于文本。参数个数 = 输入通道数×卷积核尺寸(如3)×卷积核个数

* Conv2D:普通二维卷积,常用于图像。参数个数 = 输入通道数×卷积核尺寸(如3乘3)×卷积核个数

* Conv3D:普通三维卷积,常用于视频。参数个数 = 输入通道数×卷积核尺寸(如3乘3乘3)×卷积核个数

* SeparableConv2D:二维深度可分离卷积层。不同于普通卷积同时对区域和通道操作,深度可分离卷积先操作区域,再操作通道。即先对每个通道做独立卷即先操作区域,再用1乘1卷积跨通道组合即再操作通道。参数个数 = 输入通道数×卷积核尺寸 + 输入通道数×1×1×输出通道数。深度可分离卷积的参数数量一般远小于普通卷积,效果一般也更好。

* DepthwiseConv2D:二维深度卷积层。仅有SeparableConv2D前半部分操作,即只操作区域,不操作通道,一般输出通道数和输入通道数相同,但也可以通过设置depth_multiplier让输出通道为输入通道的若干倍数。输出通道数 = 输入通道数 × depth_multiplier。参数个数 = 输入通道数×卷积核尺寸× depth_multiplier。

* Conv2DTranspose:二维卷积转置层,俗称反卷积层。并非卷积的逆操作,但在卷积核相同的情况下,当其输入尺寸是卷积操作输出尺寸的情况下,卷积转置的输出尺寸恰好是卷积操作的输入尺寸。

* LocallyConnected2D: 二维局部连接层。类似Conv2D,唯一的差别是没有空间上的权值共享,所以其参数个数远高于二维卷积。

* MaxPooling2D: 二维最大池化层。也称作下采样层。池化层无参数,主要作用是降维。

* AveragePooling2D: 二维平均池化层。

* GlobalMaxPool2D: 全局最大池化层。每个通道仅保留一个值。一般从卷积层过渡到全连接层时使用,是Flatten的替代方案。

* GlobalAvgPool2D: 全局平均池化层。每个通道仅保留一个值。


**循环网络相关层**

* Embedding:嵌入层。一种比Onehot更加有效的对离散特征进行编码的方法。一般用于将输入中的单词映射为稠密向量。嵌入层的参数需要学习。

* LSTM:长短记忆循环网络层。最普遍使用的循环网络层。具有携带轨道,遗忘门,更新门,输出门。可以较为有效地缓解梯度消失问题,从而能够适用长期依赖问题。设置return_sequences = True时可以返回各个中间步骤输出,否则只返回最终输出。

* GRU:门控循环网络层。LSTM的低配版,不具有携带轨道,参数数量少于LSTM,训练速度更快。

* SimpleRNN:简单循环网络层。容易存在梯度消失,不能够适用长期依赖问题。一般较少使用。

* ConvLSTM2D:卷积长短记忆循环网络层。结构上类似LSTM,但对输入的转换操作和对状态的转换操作都是卷积运算。

* Bidirectional:双向循环网络包装器。可以将LSTM,GRU等层包装成双向循环网络。从而增强特征提取能力。

* RNN:RNN基本层。接受一个循环网络单元或一个循环单元列表,通过调用tf.keras.backend.rnn函数在序列上进行迭代从而转换成循环网络层。

* LSTMCell:LSTM单元。和LSTM在整个序列上迭代相比,它仅在序列上迭代一步。可以简单理解LSTM即RNN基本层包裹LSTMCell。

* GRUCell:GRU单元。和GRU在整个序列上迭代相比,它仅在序列上迭代一步。

* SimpleRNNCell:SimpleRNN单元。和SimpleRNN在整个序列上迭代相比,它仅在序列上迭代一步。

* AbstractRNNCell:抽象RNN单元。通过对它的子类化用户可以自定义RNN单元,再通过RNN基本层的包裹实现用户自定义循环网络层。

* Attention:Dot-product类型注意力机制层。可以用于构建注意力模型。

* AdditiveAttention:Additive类型注意力机制层。可以用于构建注意力模型。

* TimeDistributed:时间分布包装器。包装后可以将Dense、Conv2D等作用到每一个时间片段上。

```python

```

### 二,自定义模型层


如果自定义模型层没有需要被训练的参数,一般推荐使用Lamda层实现。

如果自定义模型层有需要被训练的参数,则可以通过对Layer基类子类化实现。

Lamda层由于没有需要被训练的参数,只需要定义正向传播逻辑即可,使用比Layer基类子类化更加简单。

Lamda层的正向逻辑可以使用Python的lambda函数来表达,也可以用def关键字定义函数来表达。

```python
import tensorflow as tf
from tensorflow.keras import layers,models,regularizers

mypower = layers.Lambda(lambda x:tf.math.pow(x,2))
mypower(tf.range(5))
```

```
<tf.Tensor: shape=(5,), dtype=int32, numpy=array([ 0, 1, 4, 9, 16], dtype=int32)>
```


Layer的子类化一般需要重新实现初始化方法,Build方法和Call方法。下面是一个简化的线性层的范例,类似Dense.

```python
class Linear(layers.Layer):
def __init__(self, units=32, **kwargs):
super(Linear, self).__init__(**kwargs)
self.units = units

def build(self, input_shape): #build方法一般定义Layer需要被训练的参数。
self.w = self.add_weight(shape=(input_shape[-1], self.units),
initializer='random_normal',
trainable=True)
self.b = self.add_weight(shape=(self.units,),
initializer='random_normal',
trainable=True)
super(Linear,self).build(input_shape) # 相当于设置self.built = True

def call(self, inputs): #call方法一般定义正向传播运算逻辑,__call__方法调用了它。
return tf.matmul(inputs, self.w) + self.b

def get_config(self): #如果要让自定义的Layer通过Functional API 组合成模型时可以序列化,需要自定义get_config方法。
config = super(Linear, self).get_config()
config.update({'units': self.units})
return config

```

```python
linear = Linear(units = 8)
print(linear.built)
linear.build(input_shape = (None,16)) #指定input_shape,显式调用build方法,第0维代表样本数量,用None填充
print(linear.built)
```

```python
linear = Linear(units = 8)
print(linear.built)
linear.build(input_shape = (None,16))
linear.compute_output_shape(input_shape = (None,16))
```

```python
linear = Linear(units = 16)
print(linear.built)
linear(tf.random.uniform((100,64))) #如果built = False,调用__call__时会先调用build方法, 再调用call方法。
print(linear.built)
config = linear.get_config()
print(config)
```

```python
tf.keras.backend.clear_session()

model = models.Sequential()
model.add(Linear(units = 16,input_shape = (64,))) #注意该处的input_shape会被模型加工,无需使用None代表样本数量维
print("model.input_shape: ",model.input_shape)
print("model.output_shape: ",model.output_shape)
model.summary()
```

```python

```

如果对本书内容理解上有需要进一步和作者交流的地方,欢迎在公众号"Python与算法之美"下留言。作者时间和精力有限,会酌情予以回复。

![image.png](./data/Python与算法之美logo.jpg)

```python

```
Loading

0 comments on commit e73e5f5

Please sign in to comment.