Leaky ReLU代码

Leaky ReLU是ReLU的一个变种，可以在输入小于0的时候，给出一个小的负斜率，以解决ReLU可能出现的“神经元死亡”问题。以下是Python代码实现：

import tensorflow as tf

def leaky_relu(x, alpha=0.2):
    return tf.maximum(alpha * x, x)

其中，alpha为斜率，通常取0.01或0.2。在使用时，将该函数作为激活函数传入神经网络中的某一层即可。例如：

model.add(layers.Dense(64, activation=leaky_relu))

相关问题

Leaky ReLU pytorch代码

下面是在PyTorch框架中实现Leaky ReLU的代码：

import torch.nn as nn
import torch.nn.functional as F

class LeakyReLU(nn.Module):
    def __init__(self, negative_slope=0.01, inplace=False):
        super(LeakyReLU, self).__init__()
        self.negative_slope = negative_slope
        self.inplace = inplace

    def forward(self, x):
        return F.leaky_relu(x, negative_slope=self.negative_slope, inplace=self.inplace)

在使用时，可以像下面这样调用：

model = nn.Sequential(
    nn.Linear(256, 128),
    LeakyReLU(),
    nn.Linear(128, 64),
    LeakyReLU(),
    nn.Linear(64, 10),
    nn.Softmax(dim=1)
)

其中，`nn.Linear`定义了全连接层，`LeakyReLU`定义了激活函数，`nn.Softmax`定义了输出层的激活函数。

Leaky ReLU调用代码

在使用PyTorch框架中的Leaky ReLU时，可以使用以下代码：

import torch.nn as nn

# 创建一个有LeakyReLU激活函数的全连接层
layer = nn.Linear(in_features=10, out_features=5)
activation = nn.LeakyReLU()

# 将激活函数应用于全连接层输出
output = activation(layer(input))

其中，`nn.Linear`定义了全连接层，`nn.LeakyReLU`定义了激活函数。我们可以通过将激活函数作为单独的层来应用它，也可以在定义模型时将其作为一个参数传递给某一层，例如：

import torch.nn as nn

class MyModel(nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()
        self.layer1 = nn.Linear(10, 5)
        self.activation1 = nn.LeakyReLU()
        self.layer2 = nn.Linear(5, 1)
        self.activation2 = nn.Sigmoid()

    def forward(self, x):
        x = self.activation1(self.layer1(x))
        x = self.activation2(self.layer2(x))
        return x

在这个例子中，我们定义了一个两层的神经网络，第一层使用LeakyReLU作为激活函数，第二层使用Sigmoid作为激活函数。在`forward`方法中，我们依次将输入`x`传递给每一层，并在每一层的输出上应用对应的激活函数。