如何定义修改后的 leaky ReLU - TensorFlow

How to define a modified leaky ReLU - TensorFlow

我想使用带有最小化而不是最大化的 leaky-ReLu 函数作为我对密集层的激活。换句话说,我希望我的激活是 f(x) = min{x, \alpha x }。我先定义一个方法如下图

def new_leaky_relu(x, alpha):
    part_1 = tf.cast(tf.math.greater_equal(0.0, x), dtype='float32')   
    part_2 = tf.cast(tf.math.greater_equal(x, 0.0), dtype='float32') 
    return (part_1*x) + (x*part_2*k) 

当我在一个简单的模型上测试它时,我收到了一个错误。

model = tf.keras.Sequential([ 
tf.keras.layers.Flatten(input_shape=(124,))])  
model.add(tf.keras.layers.Dense(256,activation=new_leaky_relu(alpha=0.1)))
new_leaky_relu() missing 1 required positional argument: 'x'

如何确保它是一个激活函数,并且在编译模型时不必传递输入?另外,我构建激活函数的方法是否有效,或者有更好的方法吗?

我也使用了另一个 post 中分享的建议。参见

from keras.utils.generic_utils import get_custom_objects
from keras.layers import Activation
get_custom_objects().update({'custom_activation': Activation(new_leaky_relu)})

model = tf.keras.Sequential([ 
tf.keras.layers.Flatten(input_shape=(124,))])  
model.add((tf.keras.layers.Dense(256,Activation(new_leaky_relu(alpha=0.1))))

您可以尝试如下操作:

import tensorflow as tf 

def custom_leaky_relu(alpha=0.0):        
    def new_leaky_relu(x):
        part_1 = tf.cast(tf.math.greater_equal(0.0, x), dtype='float32')   
        part_2 = tf.cast(tf.math.greater_equal(x, 0.0), dtype='float32') 
        return (part_1*x) + (x*part_2) 
    return new_leaky_relu

model = tf.keras.Sequential([ 
tf.keras.layers.Flatten(input_shape=(124,))])  
model.add(tf.keras.layers.Dense(256, activation=custom_leaky_relu(alpha=0.1)))