neural-network - Keras 功能 API 中的高级激活层

Question

使用 Keras 设置神经网络时，您可以使用Sequential 模型或Functional API。我的理解是，前者易于设置和管理，并作为线性堆栈运行，并且功能方法对于更复杂的体系结构非常有用，特别是那些涉及共享内部层输出的体系结构。我个人喜欢使用函数式 API 来实现多功能性，但是，我在使用 LeakyReLU 等高级激活层时遇到了困难。当使用标准激活时，在顺序模型中可以编写:

model = Sequential()
model.add(Dense(32, activation='relu', input_dim=100))
model.add(Dense(10, activation='softmax'))
model.compile(optimizer='rmsprop',
          loss='categorical_crossentropy',
          metrics=['accuracy'])

类似地，在函数式 API 中，可以将上面的内容写为:

inpt = Input(shape = (100,))
dense_1 = Dense(32, activation ='relu')(inpt)
out = Dense(10, activation ='softmax')(dense_2)
model = Model(inpt,out)
model.compile(optimizer='rmsprop',
          loss='categorical_crossentropy',
          metrics=['accuracy'])

但是，当使用 LeakyReLU 和 PReLU 等高级激活时，在该顺序模型中，我们将它们编写为单独的层。例如:

model = Sequential()
model.add(Dense(32, input_dim=100))
model.add(LeakyReLU(alpha=0.1))
model.add(Dense(10, activation='softmax'))
model.compile(optimizer='rmsprop',
          loss='categorical_crossentropy',
          metrics=['accuracy'])

现在，我假设人们在函数式 API 方法中做了等效的事情:

inpt = Input(shape = (100,))
dense_1 = Dense(32)(inpt)
LR = LeakyReLU(alpha=0.1)(dense_1)
out = Dense(10, activation ='softmax')(LR)
model = Model(inpt,out)
model.compile(optimizer='rmsprop',
          loss='categorical_crossentropy',
          metrics=['accuracy'])

我的问题是:

1. 这在函数式方法中语法正确吗？
2. 为什么 Keras 需要一个新层来实现这些高级激活函数，而不是让我们只替换 'relu'？
3. 为激活函数创建一个新层，而不是将其分配给现有的层定义(如我们在第一个示例中编写的'relu')，有什么本质上的不同吗？意识到你总是可以将激活函数(包括标准函数)编写为新层，尽管已经读到应该避免这样做？

Answer 1

1. 不，您忘记将 LeakyReLU 连接到密集层:

   LR = LeakyReLU(alpha=0.1)(dense_1)

2. 通常高级激活具有可调整或可学习的参数，并且这些参数必须存储在某个地方，将它们作为图层更有意义，因为您可以访问和保存这些参数。

3. 仅在有优势时才这样做，例如可调参数。