Keras Functional 中的高级激活层 API

Question

使用 Keras 设置神经网络时，您可以使用 Sequential 模型或 Functional API。我的理解是前者易于设置和管理，并且作为层的线性堆栈运行，而功能方法对于更复杂的架构很有用，特别是那些涉及共享内部层输出的架构。我个人喜欢使用函数 API 来实现多功能性，但是，我在使用 LeakyReLU 等高级激活层时遇到了困难。使用标准激活时，在顺序模型中可以这样写：

model = Sequential()
model.add(Dense(32, activation='relu', input_dim=100))
model.add(Dense(10, activation='softmax'))
model.compile(optimizer='rmsprop',
          loss='categorical_crossentropy',
          metrics=['accuracy'])

与函数 API 类似，可以将上面的代码写为：

inpt = Input(shape = (100,))
dense_1 = Dense(32, activation ='relu')(inpt)
out = Dense(10, activation ='softmax')(dense_2)
model = Model(inpt,out)
model.compile(optimizer='rmsprop',
          loss='categorical_crossentropy',
          metrics=['accuracy'])

但是，当使用 LeakyReLU 和 PReLU 等高级激活时，在该顺序模型中，我们将它们写为单独的层。例如：

model = Sequential()
model.add(Dense(32, input_dim=100))
model.add(LeakyReLU(alpha=0.1))
model.add(Dense(10, activation='softmax'))
model.compile(optimizer='rmsprop',
          loss='categorical_crossentropy',
          metrics=['accuracy'])

现在，我假设有人在功能性 API 方法中做等效的事情：

inpt = Input(shape = (100,))
dense_1 = Dense(32)(inpt)
LR = LeakyReLU(alpha=0.1)(dense_1)
out = Dense(10, activation ='softmax')(LR)
model = Model(inpt,out)
model.compile(optimizer='rmsprop',
          loss='categorical_crossentropy',
          metrics=['accuracy'])

我的问题是：

函数式方法中的语法是否正确？
为什么 Keras 需要一个新层来实现这些高级激活函数，而不是让我们只替换 'relu'？
为激活函数创建一个新层，而不是将其分配给现有的层定义（就像我们写 'relu' 的第一个示例中那样）有什么根本不同吗，我知道你可以始终将您的激活函数（包括标准激活函数）编写为新层，尽管已经阅读过应该避免这种情况？

Answer 1

不对，你忘了把LeakyReLU连接到dense层：

LR = LeakyReLU(alpha=0.1)(dense_1)
通常高级激活具有可调或可学习的参数，并且这些必须存储在某个地方，将它们作为层更有意义，因为您可以访问和保存这些参数。
只有在有优势时才这样做，例如可调参数。

Keras Functional 中的高级激活层 API

Advanced Activation layers in Keras Functional API

neural-network

keras

activation-function