更改 keras RELU 激活 function 的阈值

Question

我正在尝试在构建我的神经网络时更改激活 function Relu的阈值。

因此，初始代码是下面写的，其中 relu 阈值的默认值为 0。

model = Sequential([
    Dense(n_inputs, input_shape=(n_inputs, ), activation = 'relu'),
    Dense(32, activation = 'relu'),
    Dense(2, activation='softmax')
])

但是，Keras 提供了相同的 function 实现，可以参考这里并添加屏幕截图。

因此，我将代码更改为以下代码以传递自定义 function 仅得到以下错误。

from keras.activations import relu
model = Sequential([
    Dense(n_inputs, input_shape=(n_inputs, ), activation = relu(threshold = 2)), 
    Dense(32, activation = relu(threshold = 2)),
    Dense(2, activation='softmax')
])

错误： TypeError: relu() missing 1 required positional argument: 'x'

我理解错误是我没有在 relu function 中使用 x 但我无法通过类似的东西。 语法要求我写model.add(layers.Activation(activations.relu))但我将无法更改阈值。 这是我需要解决方法或解决方案的地方。

然后我使用了 ReLU function 的层实现，它对我有用，如下所示，但我想知道是否有一种方法可以使激活 function 实现工作，因为该层并不总是方便添加，我想制作Dense function 内部的更多修改。

对我有用的代码：-

from keras.layers import ReLU
model = Sequential([
    Dense(n_inputs, input_shape=(n_inputs, )),
    ReLU(threshold=4), 
    Dense(32),
    ReLU(threshold=4),
    Dense(2, activation='softmax')
])

Answer 1

您面临的错误是合理的。 但是，您可以在relu function 上使用以下技巧来完成您的工作。 In this way, you define a function that takes necessary arguments eg alpha , threshold etc, and in the function body, you define another function that calculates relu activations with these parameters, and the end returns to the upper function.

# help(tf.keras.backend.relu)
from tensorflow.keras import backend as K
def relu_advanced(alpha=0.0, max_value=None, threshold=0):        
    def relu_plus(x):
        return K.relu(x, 
                      alpha = tf.cast(alpha, tf.float32), 
                      max_value = max_value,
                      threshold= tf.cast(threshold, tf.float32))
    return relu_plus

样品：

foo = tf.constant([-10, -5, 0.0, 5, 10], dtype = tf.float32)
tf.keras.activations.relu(foo).numpy()
array([ 0.,  0.,  0.,  5., 10.], dtype=float32)

x = relu_advanced(threshold=1)
x(foo).numpy()
array([-0., -0.,  0.,  5., 10.], dtype=float32)

对于您的情况，只需按以下方式使用：

model = Sequential([
    Dense(64, input_shape=(32, ), activation = relu_advanced(threshold=2)), 
    Dense(32, activation = relu_advanced(threshold=2)),
    Dense(2, activation='softmax')
])