C++builder中的人工智能（12）：了解ELU（Exponential Linear Unit）——人工神经网络中的激活函数

在这篇文章中，我们将解释什么是指数线性单元（ELU），以及如何利用ELU激活函数。通过学习这些知识，你将能够使用C++软件创建C++应用程序。

我们需要了解哪些关于激活函数的知识？

激活函数（phi()），也称为转移函数或阈值函数，它根据净输入函数的给定值（sum）确定激活值（a = phi(sum)）。在这里，sum是它们权重中的信号之和，激活函数是这个和的新值，具有给定的函数或条件。换句话说，激活函数是将所有加权信号的和转换为该信号的新激活值的方法。有不同类型的激活函数，通常使用的是线性（恒等）、双极性和逻辑（sigmoid）函数。激活函数及其类型在这里有详细解释。

在C++（以及大多数编程语言）中，你可以创建自己的激活函数。注意，sum是净输入函数的结果，它计算所有加权信号的和。我们将使用这些作为输入函数的结果。在这里，人工神经元（输出值）的激活值可以通过激活函数如下所示，

通过使用这个sum净输入函数值和phi()激活函数。

什么是指数线性单元（ELU）？

指数线性单元（ELU：Exponential Linear Unit）是另一种激活函数，由Djork-Arne Clevert, Thomas Unterthiner & Sepp Hochreiter开发并发表，标题为“FAST AND ACCURATE DEEP NETWORK LEARNING BY EXPONENTIAL LINEAR UNITS (ELUS)”。你可以通过点击这里找到论文的文本https://arxiv.org/pdf/1511.07289。

根据他们的研究，他们引入了“指数线性单元”（ELU），它加快了深度神经网络中的学习速度，并导致了更高的分类准确率。ELU激活函数通过对于正值的身份缓解了消失梯度问题，如修正线性单元（ReLUs），泄漏ReLUs（LReLUs）和参数化ReLUs（PReLUs）。他们还证明了与其他激活函数的单元相比，ELUs具有改进的学习特性。与ReLUs相比，

指数线性单元（ELU）可以写成如下，

这个函数的导数可以写成，

在C和C++编程语言中，简单的指数线性单元函数可以写成如下

double alpha = 0.1; // 范围从0到1.0
double phi(double sum) {return (sum > 0 ? sum : alpha * (std::exp(sum) - 1)); // ELU函数
}

有没有一个简单的人工神经网络示例，使用指数线性单元（ELU）在C++中？

我们可以在Tneuron类中使用给定的ELU函数，如下所示，

#include <iostream>
#define NN 2   // 神经元数量
double alpha = 0.1; // 范围从0到1.0, 可以定义在神经元类中，如果每个神经元有不同的alphaclass Tneuron { // 神经元类
public:double a; // 每个神经元的活动double w[NN+1]; // 神经元之间连接的权重Tneuron() {a = 0;for (int i = 0; i <= NN; i++) w[i] = -1; // 如果权重是负数，则表示没有连接}// 定义输出神经元的激活函数（或阈值）double phi(double sum) {return (sum > 0 ? sum : alpha * (std::exp(sum) - 1)); // ELU函数}
};Tneuron ne[NN+1]; // 神经元对象void fire(int nn) {float sum = 0;for (int j = 0; j <= NN; j++) {if (ne[j].w[nn] >= 0) sum += ne[j].a * ne[j].w[nn];}ne[nn].a = ne[nn].phi(sum);
}int main() {// 定义两个输入神经元（a0, a1）和一个输出神经元（a2）的活动ne[0].a = 0.0;ne[1].a = 1.0;ne[2].a = 0;// 定义来自两个输入神经元到输出神经元（0到2和1到2）的信号权重ne[0].w[2] = 0.3;ne[1].w[2] = 0.2;// 激发我们的人工神经元活动，输出将是fire(2);printf("%10.6f\n", ne[2].a);getchar();return 0;
}

指数线性单元（ELU）通常用于ANN应用中引入发展模型中的非线性，或者用于将信号限制在指定区间内。ANN元素计算其输入信号的线性组合，并应用有界的ELU函数作为激活函数作为输出（激活值）。这可以被定义为经典阈值神经元的平滑版本。最常用的激活函数选择，用于将大振幅的信号剪辑以保持神经网络的响应有界。