Eu estava jogando com uma rede neural simples, com apenas uma camada oculta, da Tensorflow, e tentei diferentes ativações para a camada oculta:
- Relu
- Sigmoid
- Softmax (bem, normalmente o softmax é usado na última camada ..)
Relu oferece a melhor precisão de trem e precisão de validação. Não sei bem como explicar isso.
Sabemos que Relu tem boas qualidades, como escarsidade, como desaparecimento sem gradiente, etc., mas
P: o neurônio Relu em geral é melhor que os neurônios sigmóides / softmáx? Deveríamos quase sempre usar os neurônios Relu no NN (ou até na CNN)? Eu pensei que um neurônio mais complexo apresentaria melhores resultados, pelo menos a precisão do trem, se nos preocuparmos com o ajuste excessivo.
Obrigado PS: O código é basicamente de "Udacity-Machine learning -assignment2", que é o reconhecimento de notMNIST usando um simples NN de 1 camada oculta.
batch_size = 128
graph = tf.Graph()
with graph.as_default():
# Input data.
tf_train_dataset = tf.placeholder(tf.float32, shape=(batch_size, image_size * image_size))
tf_train_labels = tf.placeholder(tf.float32, shape=(batch_size, num_labels))
tf_valid_dataset = tf.constant(valid_dataset)
tf_test_dataset = tf.constant(test_dataset)
# hidden layer
hidden_nodes = 1024
hidden_weights = tf.Variable( tf.truncated_normal([image_size * image_size, hidden_nodes]) )
hidden_biases = tf.Variable( tf.zeros([hidden_nodes]))
hidden_layer = **tf.nn.relu**( tf.matmul( tf_train_dataset, hidden_weights) + hidden_biases)
# Variables.
weights = tf.Variable( tf.truncated_normal([hidden_nodes, num_labels]))
biases = tf.Variable(tf.zeros([num_labels]))
# Training computation.
logits = tf.matmul(hidden_layer, weights) + biases
loss = tf.reduce_mean( tf.nn.softmax_cross_entropy_with_logits(logits, tf_train_labels) )
# Optimizer.
optimizer = tf.train.GradientDescentOptimizer(0.5).minimize(loss)
# Predictions for the training, validation, and test data.
train_prediction = tf.nn.softmax(logits)
valid_relu = **tf.nn.relu**( tf.matmul(tf_valid_dataset, hidden_weights) + hidden_biases)
valid_prediction = tf.nn.softmax( tf.matmul(valid_relu, weights) + biases)
test_relu = **tf.nn.relu**( tf.matmul( tf_test_dataset, hidden_weights) + hidden_biases)
test_prediction = tf.nn.softmax(tf.matmul(test_relu, weights) + biases)
fonte
Respostas:
Além de @Bhagyesh_Vikani:
Também existem generalizações de unidades lineares retificadas. As unidades lineares retificadas e suas generalizações são baseadas no princípio de que os modelos lineares são mais fáceis de otimizar.
Ambos sigmoides / softmáx são desencorajados (capítulo 6: Ian Goodfellow) para a implementação de avanço de baunilha. Eles são mais úteis para redes recorrentes, modelos probabilísticos e alguns codificadores automáticos possuem requisitos adicionais que excluem o uso de funções de ativação linear por partes.
Se você tem um NN simples (eis a questão), Relu é sua primeira preferência .
fonte
A Relu tem seus próprios prós e contras:
Prós:
1. Não satura (região + ve)
2. Computacionalmente, é muito eficiente
3. Geralmente os modelos com neurônios relu convergem muito mais rápido que os neurônios com outras funções de ativação, conforme descrito aqui
Contras:
1. Um problema em lidar com eles é onde eles morrem, ou seja, Relus morto. Como se a ativação de qualquer neurônio relu se tornar zero, seus gradientes serão reduzidos a zero na propagação traseira. Isso pode ser evitado se tivermos muito cuidado com a inicialização de pesos e a taxa de aprendizado de ajuste.
Para mais detalhes: Confira esta palestra-5 do CS231n
fonte
http://cs231n.github.io/neural-networks-1/
Sigmoids
Os sigmóides saturam e matam gradientes. As saídas sigmóides não são centralizadas em zero.
tanh
Como o neurônio sigmóide, suas ativações saturam, mas, diferentemente do neurônio sigmóide, sua produção é centrada em zero. Portanto, na prática, a não linearidade de tanh é sempre preferida à não linearidade sigmóide.
ReLU
Use a não linearidade da ReLU, tenha cuidado com suas taxas de aprendizado e, possivelmente, monitore a fração de unidades "mortas" em uma rede. Se isso lhe interessar, experimente o Leaky ReLU ou o Maxout. Nunca use sigmóide. Tente tanh, mas espere que funcione pior que ReLU / Maxout.
fonte