Neural Network Consoleレイヤーリファレンス~CReLU~

CReLUレイヤー(連結正規化線形関数) (Concatenated ReLU)

説明

入力信号と、入力信号の符号を反転したものに対してそれぞれRelu処理を行い、それぞれの結果をAxisプロパティの示す軸で結合する活性化関数です。
ReLUの替わりにCNNの中間層にCReLUを用いることで画像解析の精度が向上する場合もあります。

CReLUレイヤー

活性化関数の位置づけ

活性化関数は単純パーセプトロンによる線形近似を非線形近似に変換します。

活性化関数の用途は大きくは2つあります。

  • 中間層(隠れ層)の表現範囲を広げること
  • 出力層の結果を求める答えににあった形式に変換すること

詳しくは以下の記事を参照ください。

Tanhレイヤー(Tanh活性化関数) 説明 入力値のTanhによる処理結果を出力する活性化関数です。 活性化関数の位置づけ 活性化関数は...

数式

f(x)=(ReLU(x),ReLU(−x))

例えば、
ReLUレイヤー

プロパティ

Axis

結合する軸。

デフォルト値 = 0

利用用途

以下の論文でCReLUが利用されています。
[https://arxiv.org/pdf/1603.05201.pdf]

古典的なCNNにおいて、ReLUでは正の相のみが抽出されるため、負の相は消えてしまうので、ReLUの代わりにCReLUを使って負の層の特徴を消さないようにすることで精度の向上を狙っています。

出力サイズ

第一要素 = 入力サイズ×2
第一要素以外 = 入力サイズ

例)

  • 入力サイズが(20)の場合、出力サイズは(40)
  • 入力サイズが(10, 30)の場合、出力サイズは(20, 38)
  • 入力サイズが(3, 28, 28)の場合、出力サイズは(6, 28, 28)

サンプル構成

CNN

CNN

誤差関数の使い分けについて

中間層

PReLuなどのReLu系の関数を使うのが一般的です。
Sigmoid関数、Tanh関数は勾配消失問題があり、層が深くなると重みの調整が巧くいかなくなります。

出力層

回帰問題の場合

  • 恒等関数(=出力層に関数を挟まない)が一般的です。
  • 出力値を0~1の範囲に納めたい場合はシグモイド関数も使われる。

分類問題の場合

  • 二値分類問題を解く場合はSigmoid関数が使われることが多い。
  • 多値分類問題を解く場合はSoftmax関数が使われることが多い。

こちらのサイトが参考になりましたので、リンクを掲載いたします。
https://thinkit.co.jp/article/14103

【送料無料】 ソニー開発のNeural Network Console入門 増補改訂・クラウド対応版--数式なし、コーディングなしのディープラーニング / 足立悠 【本】

価格:2,592円
(2019/6/26 22:40時点)
感想(0件)

広告




スポンサーリンク
広告




広告




シェアする

  • このエントリーをはてなブックマークに追加

フォローする

スポンサーリンク
広告