习题4-3

[fecet]

[AOnlyQ]

4-3 解决方法：

1. 使用带泄露的ReLU
2. 使用带参数的ReLU
3. 使用ELU函数
4. 使用Softplus函数

[woqun1]

解决方法补充： 1.归一化 2.初始化参数时be careful

[henghengxiong]

解决方法补充，加一个偏置b

[mJyo]

代码上的一些验证

import torch
import torch.nn as nn
import torch.optim as optim

# 定义简单的模型，使用ReLU激活函数
class SimpleModel(nn.Module):
    def __init__(self):
        super(SimpleModel, self).__init__()
        self.linear = nn.Linear(2, 1)  # 输入2个特征，输出1个
        self.relu = nn.ReLU()  # ReLU 激活函数

    def forward(self, x):
        z = self.linear(x)
        a = self.relu(z)  # 使用ReLU激活
        return a

# 创建模型实例
model = SimpleModel()

# 定义损失函数和优化器
loss_fn = nn.MSELoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)

# 生成输入数据，确保输入x包含负值，来触发ReLU的“死亡”
x = torch.tensor([[-1.0, -2.0]], requires_grad=True)  # 负输入
y_true = torch.tensor([[1.0]])

# 训练模型
for epoch in range(10):  # 训练多次以体现现象
    # 前向传播
    y_pred = model(x)

    # 计算损失
    loss = loss_fn(y_pred, y_true)

    # 反向传播
    optimizer.zero_grad()
    loss.backward()

    # 检查 z 和 a 的梯度
    z_value = model.linear(x)
    print(f"Epoch {epoch+1}, z: {z_value.detach().numpy()}, ReLU Output (a): {y_pred.detach().numpy()}")
    print(f"Weight Gradients: {model.linear.weight.grad.numpy()}")

    # 更新权重
    optimizer.step()

    # 模拟后期的ReLU死亡现象，查看ReLU输出是否持续为0
    if y_pred.item() == 0:
        print(f"Neuron is dead at epoch {epoch+1}")