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

CELUレイヤー(Concatenated ELU活性化関数)

説明

CELUは入力信号と、入力信号の符号を反転したものに対してそれぞれELU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して出力します。
CReLU(Concatenated ReLU)と考え方は同じで、CReLUがReLUを用いるのに対し、CELUはELUを用います。
ELU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。

CELU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)=(ELU(x),ELU(−x))

考え方は、CReLUとELUの記事を参照ください。

CReLU

https://piyonekochannel.com/entry/2019/12/19/115938

ELU

https://piyonekochannel.com/entry/2019/12/19/120131

プロパティ

Alpha

負の出力の係数alphaを指定します。

デフォルト値 = 1

Axis

結合する軸。

デフォルト値 = 0

利用用途

CNNで利用する場合があります。

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

CELU

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