亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于LReLU-Softplus激活函數(shù)的深度卷積神經(jīng)網(wǎng)絡

        2019-10-24 05:31:30林長方黃毓珍陳定柱黃仲開
        長春師范大學學報 2019年10期
        關鍵詞:表達能力實驗

        林長方,黃毓珍,陳定柱,黃仲開

        (1.漳州衛(wèi)生職業(yè)學院健康與保健系,福建 漳州 363000;2.福建醫(yī)科大學附屬漳州市醫(yī)院病理科,福建 漳州 363000;3.福建醫(yī)科大學附屬漳州市醫(yī)院胸心外科,福建 漳州 363000;4.漳州衛(wèi)生職業(yè)學院現(xiàn)代教育技術中心,福建 漳州 363000)

        1 研究背景

        近十幾年來,深度卷積神經(jīng)網(wǎng)絡(convolutional neural networks,CNNs)在圖像處理和語音識別等領域得到廣泛的應用,取得令人矚目的成績[1-3]。激活函數(shù)作為CNNs的基本單元,可有效抑制網(wǎng)絡反向傳播過程中的殘差衰減,并縮短模型訓練時間,提高收斂速度,是CNNs取得成功的主要因素[4]。常見的激活函數(shù)包含飽和非線性函數(shù)(Sigmoid、Tanh)和不飽和非線性函數(shù)(Softplus、ReLU)。飽和非線性激活函數(shù)在傳統(tǒng)神經(jīng)網(wǎng)絡中曾得到廣泛的應用,但因其不能有效地解決函數(shù)由于飽和性而產(chǎn)生的梯度消失問題而最終被舍棄[5]。不飽和非線性函數(shù)可有效抑制算法運行過程中的梯度消失問題,且網(wǎng)絡收斂速度快,是當前廣為流行的激活函數(shù)[6]。然而,修正線性單元(rectified linear unit,ReLU)可能導致網(wǎng)絡出現(xiàn)“壞死”現(xiàn)象,網(wǎng)絡非常脆弱[7]。LReLU(ReLU-Leaky)、PReLU(Parametric ReLU)[8]等ReLU變形函數(shù)因帶有稀疏性解決了ReLU的“壞死”現(xiàn)象,但它們同ReLU一樣都是對模型的線性修正,因此都存在對模型表達能力弱的缺陷。Softplus函數(shù)為ReLU的非線性表達,但不具備稀疏性[9-11]。本文分析了兩類激活函數(shù)的優(yōu)缺點,并基于Softplus和LReLU函數(shù)提出了一種新的激活函數(shù)LReLU-Softplus,該函數(shù)兼具較強的稀疏能力與表達能力,且收斂能力強,識別率高。

        2 常見激活函數(shù)及特征

        激活函數(shù)的主要功能是對CNNs卷積操作的非線性建模,影響模型訓練中的前向與反向傳播兩個過程。常見激活函數(shù)的公式及函數(shù)曲線如下所示。

        2.1 飽和非線性函數(shù)

        Sigmoid函數(shù):f(x)=1/(1+e-x)。

        Tanh函數(shù):f(x)=(ex-e-x)/(ex+e-x)。

        從Sigmoid函數(shù)表達式和圖1可發(fā)現(xiàn),函數(shù)f(x)的值域在(0,1)間,輸入量x取值在0附近時,激活函數(shù)對信號的增益效果較明顯。但當x越來越大或越來越小時,曲線越來越平緩,斜率越趨近于0,說明函數(shù)對信號的增益趨近于0,此特性將導致在反向傳遞過程中梯度的消失,最終致使網(wǎng)絡參數(shù)難于得到有效的訓練。另外Sigmoid函數(shù)非中心原點對稱、均值偏移(即{?x,y=f(x)≥0}),將致使函數(shù)在面對較深網(wǎng)絡時訓練無法收斂。

        Tanh函數(shù)為Sigmoid函數(shù)的改進函數(shù),從圖1可見Tanh曲線以0為中心,f(x)的值域在(-1,1)間,因此,它緩解了均值偏移、訓練收斂的速度加快。但它與Sigmoid函數(shù)一樣具有軟飽和性,同樣存在梯度消失的缺陷。

        圖1 飽和非線性函數(shù)曲線

        圖2 不飽和非線性函數(shù)曲線

        2.2 不飽和非線性函數(shù)

        Softplus函數(shù):f(x)=ln(ex+1)。

        ReLU函數(shù):f(x)=max(0,x)。

        LReLU、PReLU、RReLU函數(shù):f(x)=max(ax,x)。

        圖3 LReLU、PReLU、RReLU函數(shù)曲線

        圖4 LReLU-Softplus函數(shù)曲線

        不飽和非線性函數(shù)已成為當前構建深度卷積神經(jīng)網(wǎng)絡首選的激活函數(shù),從圖2、圖3可發(fā)現(xiàn)Softplus、ReLU、LReLU等均有效解決了飽和非線性函數(shù)梯度消失的問題,但從函數(shù)表達式及曲線圖可以看出它們各自都存在缺陷。ReLU及變形函數(shù)LReLU、PReLU、RReLU均為分段函數(shù),ReLUs函數(shù)強制將輸入值x小于0的輸出結果置為0,從而使網(wǎng)絡具有稀疏表達能力,可有效緩解過擬合的發(fā)生。但稀疏性會致使模型的有效容量降低,可能產(chǎn)生“壞死”現(xiàn)象。LReLU等變形函數(shù)是對ReLU函數(shù)的變形,當輸入值x小于0時不再強制置輸出為0,而是輸出ax(a為一個很小的常數(shù)),這樣使得負激活可在CNNs中得到傳播,提高特征學習的效率。然而變形函數(shù)與ReLUs一樣存在一個缺陷,即在x大于0時只能對數(shù)據(jù)進行線性映射,所以此類激活函數(shù)對CNNs的表達能力有欠缺。Softplus函數(shù)是對ReLU函數(shù)近似光滑、非線性的表示,可對所有數(shù)據(jù)進行非線性的映射,但稀疏表達能力欠缺。

        3 LReLU-Softplus激活函數(shù)

        結合LReLU和Softplus函數(shù)自身的優(yōu)勢,本文提出了一種新的不飽和非線性激勵函數(shù)LReLU-Softplus,基本原理為:先將Softplus函數(shù)曲線向下平移ln2個單位,然后將輸入值x小于0的輸出置換為LReLU函數(shù)的ax,LReLU-Softplus函數(shù)公式及曲線為:

        由圖3可見,LReLU-Softplus函數(shù)保留了部分負軸數(shù)據(jù),修正了數(shù)據(jù)的分布,繼承了ReLU函數(shù)收斂速度快的優(yōu)點,同時緩解了出現(xiàn)“壞死”的概率。更重要的是實現(xiàn)了函數(shù)的非線性、光滑映射。因此,LReLU-Softplus函數(shù)兼具稀疏表達能力和廣泛、非線性映射性。

        4 實驗及結果分析

        為了驗證基于LReLU-Softplus函數(shù)的CNNs模型的執(zhí)行效率,本文以MNIST和CIFAR-10為實驗數(shù)據(jù)庫,將卷積層分別使用LReLU-Softplus函數(shù)和常見激活函數(shù)的CNNS模型進行對比實驗。實驗在Matlab 2014a開發(fā)工具,基于Caffe框架的CNN環(huán)境下完成。硬件配置:Intel 酷睿i7 6700@3.4GHz 四核CPU,16G DDR4 2133MHz內存,4G AMD Radeon R9 370性能級獨立顯卡;64 bit windows 10 OS。

        4.1 MNIST實驗與結果分析

        手寫羅馬數(shù)字數(shù)據(jù)集(MNIST)由訓練圖片(60 000幅)和測試圖片(10 000幅)構成,圖片均為28×28的灰度圖像。實驗所構建的CNNs模型架構及參數(shù)如表1所示,采樣層的池化固定采用max-pooling方法,卷積層分別采用Sigmoid、Tanh、Softplus、ReLU和LReLU-Softplus作為激活函數(shù)。對LReLU-Softplus函數(shù)中的常量a分別選取0.01、0.02、0.05、0.1、0.2、0.5、1、2八個常量進行測試,測試結果如表2所示,從表2可見a=0.1時測試取得最好的性能。選取最合適的常量a,基于不同激活函數(shù)的CNNs在MNIST上的實驗結果如表3、圖5所示。

        表1 MNIST實驗CNNs架構

        表2 LReLU-Softplus函數(shù)常量a測試結果

        表3 不同激活函數(shù)實驗結果

        圖5 不同激活函數(shù)識別正確率

        觀察表3、圖5可發(fā)現(xiàn),基于Sigmoid函數(shù)的網(wǎng)絡不僅收斂速度緩慢且識別正確率只有98.40%;Tanh函數(shù)雖能使網(wǎng)絡的收斂速度提高,但識別正確率也僅為98.51%;基于Softplus函數(shù)的網(wǎng)絡較Sigmoid、Tanh函數(shù)收斂速度有所提升,識別正確率達到98.90%;使用ReLU函數(shù)的網(wǎng)絡收斂速度進一步提高,識別正確率最高達到99.25%。而基于LReLU-Softplus函數(shù)的CNNs網(wǎng)絡識別正確率、最佳驗證誤差、最佳測試誤差分別達到99.51%、0.95%、0.86%,各項均為最佳值。

        4.2 CIFAR-10實驗結果與分析

        CIFAR-10數(shù)據(jù)庫由10個不同類型的彩色圖像構成,分為訓練圖片集(50 000幅)和測試圖片集(10 000幅),圖片大小均為32×32,每個像素點包含R、G、B三個數(shù)值。本實驗利用Y=0.3R+0.59G+0.11B(Y為YUV彩色空間中的亮度)對圖像進行灰度級的轉換,然后對圖像進行ZCA白化處理,以降低圖像特征之間的相關性,并利用Matlab對圖像進行歸一化處理。實驗所構建的CNNs模型架構及參數(shù)如表4所示,采樣層池化分別采用mean-pooling、max-pooling方法,卷積層使用不同的激活函數(shù),CNNs對CIFAR-10數(shù)據(jù)集的分類識別最佳驗證誤差和測試誤差如表5所示。

        表4 CIFAR-10實驗CNNs架構

        表5 CIFAR-10實驗結果

        觀察表5可發(fā)現(xiàn),不論采用最大值或平均值池化,相較于其他常見激活函數(shù),基于LReLU-Softplus激活函數(shù)的CNNs對CIFAR-10數(shù)據(jù)集的分類識別最佳驗證誤差和最佳測試誤差均為最低。

        實驗結果表明,基于LReLU-Softplus函數(shù)的卷積神經(jīng)網(wǎng)絡在MNIST和CIFAR-10數(shù)據(jù)集上均取得較其他常見激活函數(shù)更低的誤差率。其中,在MNIST數(shù)據(jù)集上的最佳驗證誤差達到0.95%;而在CIFAR-10數(shù)據(jù)集上,不論選擇哪種池化方法,最佳驗證誤差和最佳測試誤差均較其他常見激活函數(shù)降低了1%~2%。

        5 結語

        本文針對深度卷積神經(jīng)網(wǎng)絡卷積層中常使用的激活函數(shù)可能存在“壞死”現(xiàn)象、表達能力不足、欠缺稀疏能力或不易收斂等缺陷,設計了一種新的不飽和非線性激勵函數(shù)LReLU-Softplus。通過在MNIST和CIFAR-10數(shù)據(jù)集上的實驗表明,基于LReLU-Softplus函數(shù)的深度卷積神經(jīng)網(wǎng)絡不僅收斂速度快,而且識別效率更高,誤差率更低。

        猜你喜歡
        表達能力實驗
        記一次有趣的實驗
        微型實驗里看“燃燒”
        提高農(nóng)村小學生口語表達能力的策略
        甘肅教育(2020年4期)2020-09-11 07:42:06
        創(chuàng)新寫作教學,培養(yǎng)表達能力
        談學生口語表達能力的培養(yǎng)
        甘肅教育(2020年20期)2020-04-13 08:05:22
        做個怪怪長實驗
        培養(yǎng)學生的語言文字表達能力
        學周刊(2016年26期)2016-09-08 09:03:26
        NO與NO2相互轉化實驗的改進
        實踐十號上的19項實驗
        太空探索(2016年5期)2016-07-12 15:17:55
        加強聯(lián)想力和口語表達能力
        亚洲美女一区二区三区三州| 国产白丝无码视频在线观看| 豆国产95在线 | 亚洲| 91极品尤物国产在线播放| 亚洲精品不卡av在线免费| 欧美噜噜久久久xxx| 国产成人综合亚洲精品| 国产成人亚洲精品电影| 国产激情视频在线观看首页 | 国语淫秽一区二区三区四区| 色婷婷亚洲一区二区三区 | 伊人久久中文大香线蕉综合| 亚洲精品区二区三区蜜桃| 偷拍一区二区盗摄视频| 午夜福利av无码一区二区| 欧美日韩中文制服有码| av网站可以直接看的| 少妇人妻中文久久综合| 97高清国语自产拍| 亚洲最大在线精品| 国产精品黑丝美女av| 边添小泬边狠狠躁视频| 亚洲av永久无码天堂网手机版| 国产一级淫片免费大片| 精品嫩模福利一区二区蜜臀| 大地资源网高清在线播放| 精品三级久久久久久久电影| 国产人妖在线免费观看| 肥老熟女性强欲五十路| 怡红院免费的全部视频| 亚洲AV无码国产精品久久l| 日韩精品极视频在线观看免费| 少妇熟女天堂网av| 日韩国产欧美视频| 中文字幕你懂的一区二区| 欧美日本精品一区二区三区| 久久久精品欧美一区二区免费| 亚洲无码图| 日韩美女亚洲性一区二区| 国产肥熟女视频一区二区三区| 91热久久免费精品99|