训练的时候很”脆弱”，很容易就”die”了，训练过程该函数不适应较大梯度输入，因为在参数更新以后，ReLU的神经元不会再有激活的功能，导致梯度永远都是零。 例如，一个非常大的梯度流过一个 ReLU 神经元，更新过参数之后，这个神经元再也不会对任何数据有激活现象了，那么这个神经元的梯度就永远 ...

预训练的用处：规则化，防止过拟合；压缩数据，去除冗余；强化特征，减小误差；加快收敛速度。标准的sigmoid输出不具备稀疏性，需要用一些惩罚因子来训练出一大堆接近0的冗余数据来，从而产生稀疏数据，例如L1、L1/L2或Student-t作惩罚因子。因此需要进行无监督的预训练。而ReLU是线性修正 ...

1、激活函数的作用 什么是激活函数？ 　　在神经网络中，输入经过权值加权计算并求和之后，需要经过一个函数的作用，这个函数就是激活函数（Activation Function）。 ...

Batch normalization + ReLU 批归一化（BN）可以抑制梯度爆炸/消失并加快训练速度 原论文认为批归一化的原理是：通过归一化操作使网络的每层特征的分布尽可能的稳定，从而减少Internal Covariate Shift relu是目前应用最为广泛的激活函数 ...

Rectified Linear Unit), 顾名思义：带参数的ReLU。二者的定义和区别如下图： 如果a ...

ReLU上的花样 CNN出现以来，感觉在各个地方，即便是非常小的地方都有点可以挖掘。比如ReLU。 ReLU的有效性体现在两个方面： 克服梯度消失的问题 加快训练速度 而这两个方面是相辅相成的，因为克服了梯度消失问题，所以训练才会快。 ReLU的起源，在这片博文里 ...

Rectifier（neural networks） 在人工神经网络中，rectfier（整流器，校正器）是一个激活函数，它的定义是：参数中为正的部分。 , 其中，x是神经元的输入。这也被称为r ...

0 - inplace 　　在pytorch中，nn.ReLU(inplace=True)和nn.LeakyReLU(inplace=True)中存在inplace字段。该参数的inplace=True的意思是进行原地操作，例如： x=x+5是对x的原地操作 y=x+5,x=y ...