深度学习优化策略-4 基于Gate Mechanism的激活单元GTU、GLU

本文主要是介绍深度学习优化策略-4 基于Gate Mechanism的激活单元GTU、GLU，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！

1、Sigmoid和Tanh激活函数及存在问题

深度学习（神经网络）中最先被广泛使用的激活函数是Sigmoid函数和双曲正切激活函数，都是非线性的激活函数，两个激活函数的表达式如下：

sigmoid函数： f(x)= 1 / (1+exp(−x))

双曲正切函数： f(x)= tanh(x)

激活函数的图形如图所示：

Sigmoid和双曲正切激活函数有两个明显的缺点：

1、存在饱和死区特性，梯度反向传播时，容易导致梯度爆炸（Gradient Explosion）和梯度消失（Gradient Vanish）问题。

2、对于多层非线性变换嵌套操作的深度学习网络，关于参数W的梯度计算比较复杂，计算量大。

2、Relu系列激活函数

为了解决上面两个问题，深度学习研究领域陆续提出了Relu（Rectified linear unit）及其变体Leaky Relu、Elu、pRelu、PRelu、RRelu等。借鉴LSTM的Gate Mechanism思想，基于Relu激活函数和Tanh激活函数，结合gate unit产生的GTU units、GLU units等激活单元。

Relu激活函数的表达式为：f(x)=max(0,x)

Relu激活函数及它一些变体的曲线如下图所示：

关于Relu及其变体激活函数介绍的资料比较多，这里我就不赘述了。

3、基于Gate mechanism的GLU、GTU 单元

介绍一下基于gate mechanism实现的，两个比较新颖的激活函数GTU和GLU。

GTU（Gated Tanh Unit）的表达式为：

f(X) = tanh(X*W+b) * O(X*V+c)

GLU（Gated Liner Unit）的表达式为：

f(X) = (X * W + b) * O(X * V + c)

分析GTU和GLU的组成结构可以发现：

Tanh激活单元：tanh(X*W+b)，加上一个Sigmoid激活单元：O(X*V+c)构成的gate unit，就构成了GTU单元。

Relu激活单元：(X * W + b)，加上一个Sigmoid激活单元：O(X * V + c)构成的gate unit，就构成了GLU单元。

4、gate mechanism影响及各激活单元对比

下图实验结果来源于论文《Language Modeling with Gated Convolutional Networks》 5.2节。

图1 Tanh、Relu、GTU和GLU激活单元性能对比

（1）、gate mechanism 影响

把GTU中的Sigmoid gate去掉的话，就是一个Tanh激活函数。因此，可以通过比较Tanh和GTU的实验效果，来对比Gate mechanism对模型性能的影响。通过图1中的左图可以发现，使用GTU的效果远远优于Tanh激活函数，可见，gate units有助于深度网络建模。

（2）、Tanh、GLU与Relu、GLU对比

Tanh激活函数和GTU都存在梯度消失的问题，因为即使是GTU，当units的激活处于饱和区时，输入单元激活单元：tanh(X*W+b)和gate单元：O(X * V + c)都会削弱梯度值。相反，GLU和Relu不存在这样的问题。GLU和Relu都拥有线性的通道，可以使梯度很容易通过激活的units，反向传播且不会减小。因此，采用GLU或Relu做为激活，训练时收敛速度更快。

（3）、Relu与GLU对比

Relu单元并没有完全抛弃GLU中的gate units，GLU可以看做是处于激活状态下的一种简化的Relu单元。对比Relu和GLU，通过图1右图可以大显，在相同的训练时间下，GLU单元可以获得比Relu更高的精度。

（4）GLU与GTU对比：

GTU存在tanh激活的非线性单元，GLU存在的线性单元，GLU中不存在类似于GTU中的梯度消失问题。通过对比可以发现，GLU获得比GTU更快的收敛速度，以及更高的准确率。

5、参考文献

[1] Conditional Image Generation with PixelCNN Decoders

[2] Language Modeling with Gated Convolutional Networks

更多深度学习在NLP方面应用的经典论文、实践经验和最新消息，欢迎关注微信公众号“深度学习与NLP”或“DeepLearning_NLP”或扫描二维码添加关注。