张量流中的自定义激活函数,具有 tanh 的可学习参数
Custom Activation function in tensorflow with learnable parameter for tanh
我想在tensorflow中实现自定义激活函数。这个激活函数的想法是它应该学习它的线性度。使用以下函数。
tanh(x*w)/w for w!= 0
x for w = 0
应该学习参数w。但是我不知道如何在tensorflow中实现这个。
激活函数只是模型的一部分,因此这里是您描述的函数的代码。
import tensorflow as tf
from tensorflow.keras import Model
class MyModel(Model):
def __init__(self):
super().__init__()
# Some layers
self.W = tf.Variable(tf.constant([[0.1, 0.1], [0.1, 0.1]]))
def call(self, x):
# Some transformations with your layers
x = tf.where(x==0, x, tf.tanh(self.W*x)/self.W)
return x
因此,对于非零矩阵 MyModel()(tf.constant([[1.0, 2.0], [3.0, 4.0]]))
它 returns
<tf.Tensor: shape=(2, 2), dtype=float32, numpy=
array([[0.9966799, 1.9737529],
[2.913126 , 3.79949 ]], dtype=float32)>
对于零矩阵MyModel()(tf.constant([[0.0, 0.0], [0.0, 0.0]]))
它 returns 零
<tf.Tensor: shape=(2, 2), dtype=float32, numpy=
array([[0., 0.],
[0., 0.]], dtype=float32)>
我想在tensorflow中实现自定义激活函数。这个激活函数的想法是它应该学习它的线性度。使用以下函数。
tanh(x*w)/w for w!= 0
x for w = 0
应该学习参数w。但是我不知道如何在tensorflow中实现这个。
激活函数只是模型的一部分,因此这里是您描述的函数的代码。
import tensorflow as tf
from tensorflow.keras import Model
class MyModel(Model):
def __init__(self):
super().__init__()
# Some layers
self.W = tf.Variable(tf.constant([[0.1, 0.1], [0.1, 0.1]]))
def call(self, x):
# Some transformations with your layers
x = tf.where(x==0, x, tf.tanh(self.W*x)/self.W)
return x
因此,对于非零矩阵 MyModel()(tf.constant([[1.0, 2.0], [3.0, 4.0]]))
它 returns
<tf.Tensor: shape=(2, 2), dtype=float32, numpy=
array([[0.9966799, 1.9737529],
[2.913126 , 3.79949 ]], dtype=float32)>
对于零矩阵MyModel()(tf.constant([[0.0, 0.0], [0.0, 0.0]]))
它 returns 零
<tf.Tensor: shape=(2, 2), dtype=float32, numpy=
array([[0., 0.],
[0., 0.]], dtype=float32)>