Создайте пользовательскую «недифференцируемую» функцию активации в keras

Можно ли создать пользовательскую функцию активации вида:

def newactivation(x):
    if x <= -1:
        return -1
    elif x > -1 and x <= 1
        return x
    else :
        return 1

Так что в основном это будет линеаризованная версия tanh(x).

Это проблема во время оптимизации, что функция имеет две недифференцируемые позиции в -1 и 1?

Как я мог реализовать это?

Не должно быть проблемой, я думаю. Даже ReLu не дифференцируем при 0. Проверьте реализацию исходного кода, чтобы увидеть, как они обрабатывают этот случай.

— 10.04.2019 12:59

python keras neural-network activation-function

10.04.2019 11:54

Почему в Python есть оператор "pass"?

Оператор pass в Python - это простая концепция, которую могут быстро освоить даже новички без опыта программирования.

Некоторые методы, о которых вы не знали, что они существуют в Python

Python - самый известный и самый простой в изучении язык в наши дни. Имея широкий спектр применения в области машинного обучения, Data Science,...

Основы Python Часть I

Вы когда-нибудь задумывались, почему в программах на Python вы видите приведенный ниже код?

LeetCode - 1579. Удаление максимального числа ребер для сохранения полной проходимости графа

Алиса и Боб имеют неориентированный граф из n узлов и трех типов ребер:

Оптимизация кода с помощью тернарного оператора Python

И последнее, что мы хотели бы показать вам, прежде чем двигаться дальше, это

Советы по эффективной веб-разработке с помощью Python

Как веб-разработчик, Python может стать мощным инструментом для создания эффективных и масштабируемых веб-приложений.

158

Перейти к ответу Данный вопрос помечен как решенный

Ответы 1

Ответ принят как подходящий

Это легко реализовать с помощью функции clip:

import keras.backend as K

def activation(x):
    return K.clip(x, -1.0, 1.0)

Поскольку градиент никогда не взрывается, это не должно быть проблемой, эта функция имеет форму, аналогичную ReLU.

Это не работает. K.min() и K.max() вводят тензор и возвращают минимальное/максимальное значение вдоль оси, которое в вашем случае указано как 1 и -1. [ K.min (тензор, ось)]

— 10.04.2019 16:13

@KlemensKasseroller Да, верно, исправлено.

— 10.04.2019 16:16

Потрясающий. Спасибо!

— 10.04.2019 16:24

10.04.2019 14:06