如何使用 Keras 创建自定义激活函数？

Posted 2023-02-16

【中文标题】如何使用 Keras 创建自定义激活函数？

【英文标题】：How do you create a custom activation function with Keras?

【发布时间】：2017-10-10 11:02:46

【问题描述】：

有时默认的standard activations（如 ReLU、tanh、softmax，...）和 advanced activations（如 LeakyReLU）是不够的。它也可能不在keras-contrib。

如何创建自己的激活函数？

【参考方案1】：

感谢this Github issue comment by Ritchie Ng。

# Creating a model
from keras.models import Sequential
from keras.layers import Dense

# Custom activation function
from keras.layers import Activation
from keras import backend as K
from keras.utils.generic_utils import get_custom_objects


def custom_activation(x):
    return (K.sigmoid(x) * 5) - 1

get_custom_objects().update('custom_activation': Activation(custom_activation))

# Usage
model = Sequential()
model.add(Dense(32, input_dim=784))
model.add(Activation(custom_activation, name='SpecialActivation'))
print(model.summary())

请记住，您必须在保存和恢复模型时导入此功能。见the note of keras-contrib。

【讨论】：

也可以作为参数传递给层，如model.add(Dense(10,activation=custom_activation))

您可能还对How can I import * from a module loaded with imp?感兴趣

如果它是一个自定义激活函数，keras 是否知道如何通过微分反向传播它。 （如 Theano）

是的，Keras 会自动区分

我能否以某种方式为激活函数提供自己的导数，以防需要对数值稳定性进行一些修改？

【参考方案2】：

比Martin Thoma's answer 稍微简单一点：您可以只创建一个自定义元素后端函数并将其用作参数。您仍然需要在加载模型之前导入此函数。

from keras import backend as K

def custom_activation(x):
    return (K.sigmoid(x) * 5) - 1

model.add(Dense(32 , activation=custom_activation))

【参考方案3】：

假设您想将swish 或gelu 添加到keras，以前的方法是很好的内联插入。但是您也可以将它们插入到 keras 激活函数集中，这样您就可以调用自定义函数，就像调用 ReLU 一样。我用 keras 2.2.2 测试了这个（任何 v2 都可以）。将自定义函数的定义附加到此文件$HOME/anaconda2/lib/python2.7/site-packages/keras/activations.py（python 和 anaconda 版本可能不同）。

在keras内部：

$HOME/anaconda2/lib/python2.7/site-packages/keras/activations.py

def swish(x):
    return (K.sigmoid(beta * x) * alpha *x)

然后在你的python文件中：

$HOME/Documents/neural_nets.py

model = Sequential()
model.add(Activation('swish'))

【参考方案4】：

您可以使用lambda 关键字或Lambda 层。假设你的神经网络没有激活给出了一堆5：

import tensorflow as tf
import numpy as np

x = np.ones((5, 5))

model = tf.keras.Sequential([
    tf.keras.layers.Dense(1, kernel_initializer=tf.initializers.Ones)
])

model.build(input_shape=x.shape)

model(x)

<tf.Tensor: shape=(5, 1), dtype=float32, numpy=
array([[5.],
       [5.],
       [5.],
       [5.],
       [5.]], dtype=float32)>

而你想让激活函数除以5。你可以添加Lambda层：

model = tf.keras.Sequential([
    tf.keras.layers.Dense(1, kernel_initializer=tf.initializers.Ones),
    tf.keras.layers.Lambda(lambda x: x/5)
])

<tf.Tensor: shape=(5, 1), dtype=float32, numpy=
array([[1.],
       [1.],
       [1.],
       [1.],
       [1.]], dtype=float32)>

或者在 activation 参数中使用 lambda 关键字：

model = tf.keras.Sequential([
    tf.keras.layers.Dense(1, 
                          kernel_initializer=tf.initializers.Ones, 
                          activation=lambda x: x/5)
])

<tf.Tensor: shape=(5, 1), dtype=float32, numpy=
array([[1.],
       [1.],
       [1.],
       [1.],
       [1.]], dtype=float32)>