本文主要是介绍关于PRelu：Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
前言
内容是经典激活函数PRelu的提出
内容
上图左为Relu，右图为PRelu，P相比传统Relu，在坐标系左边有数值。用公式解释：
当ai=0时，成为Relu；当ai是一个小且固定的数值，则变成Leaky Relu（ai=0.01），LRelu的motivation是为了防止零梯度，即坐标轴左侧有数值。但是在一些研究上，显示LRelu对于精度的影响微乎其微。
Prelu相比Relu只增加了一丁点参数，模型大小上几乎没有任何影响。
实验
这里是几个模型：
这篇关于关于PRelu：Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
