DeepLearning学习笔记之ReLU函数

一、什么是稀疏激活函数（ReLU）

ReLU全称是Rectified Liner Uints,其具体形式为y=max(0,x)。

        ReLU具有：1、单侧抑制；2、相对宽阔的兴奋边界；3、稀疏激活性等优点。

二、为什么ReLU更有效？

  生物研究表明：生物神经元只对输入信号中很少部分进行响应，大部分信号则被刻意屏蔽掉了。这样做可以更好的提高学习精度，更好更快的提取稀疏特征。这表现为生物神经元的稀疏激活性。

三、稀疏性的优势

1、信息解离。原始输入数据往往缠绕着高密度特征，特征之间相互耦合，表现出强烈的非线性特征。传统学习算法往往是采用高维映射等手段进行信息解理，但是往往难以很好的进行解耦。若能通过手段将这些特征转换为稀疏特征，则特征之间耦合更小，特征鲁棒性更强。

2、线性可分。稀疏性特征之间耦合更小，具有更好的线性可分性，对非线性映射机制依赖性更小，用一些简单的线性分类器就可以达到很好的分类效果。

3、稠密但稀疏。原始数据所表现出来的稠密特性，其包含的信息远多于局部特征点；而稀疏性是从稠密特征中解耦得来，在线性可分的同时也保留了原始稠密特征的性能，具有很大的潜力。

四、稀疏激活函数的优势

若激活函数具有稀疏性，则可以更好的从有效的数据维度上，学习到相对稀疏的特征，起到特征自动解耦的作用。

1、非饱和线性端。相比于BP网络、SVM等分类器。采用线性激活函数，网络更快更高效。

2、消失的梯度问题。传统的Sigmoid函数在反向传播中，随着传播层数的增加，误差梯度急剧衰减，导致学习效率低下。这也是为什么传统神经网络往往都是浅层神经网络，因为随着隐藏层的增加，误差梯度在反向传播时对前几层的影响几乎减小至零。但是ReLU的误差梯度是1，可以很好的在网络之间传播，相比于sigmoid、tanh激活函数，学习速度更快。

3、目前的DL架构中，合理的稀疏性比率为70~80%，否则屏蔽特征多过，容易出现欠拟合现象。