h-swish激活函数及TensorFlow实现

h-swish激活函数出自MobileNetV3论文（论文链接：https://arxiv.org/abs/1905.02244）,该激活函数为了近似swish激活函数。swish激活函数具有：无上界、有下界、平滑、非单调等特点，可使神经网络层具有更丰富的表现能力。但swish函数有个缺点，计算量比较大，其函数表达式如下：

式中贝塔为可训练参数。

为了适应轻量级网络使用，MobileNetV3作者提出了h-swish函数，该函数使用常见的算子组合而成，因此几乎所有框架都可实现，且在对效果影响不大的条件下使得计算量大大降低，h-swish函数如下：

两者函数图像如下：

def relu6(inputs):
    return tf.minimum(tf.maximum(inputs,0),6)

def h_swish(inputs):
    relu6_ = tf.multiply(relu6(inputs+3)/6,inputs)
    return relu6_

z = np.linspace(-10,10,50)
from matplotlib import pyplot as plt
plt.plot(h_swish(z),color = 'r')
plt.plot(tf.multiply(tf.sigmoid(z),z), '--', color = 'g')
plt.legend(['h_swish','swish'])
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13

下面定义一个网络residual_model，使用h-swish作为激活函数：

def residual_block(inputs,n_neurons):
    x = keras.layers.Dense(n_neurons, kernel_initializer="he_normal")(inputs)
    x = h_swish(x)
    return tf.add(inputs,x)

def residual_model(num):
    inputs = keras.layers.Input(shape=(6,))
    x = inputs
    for i in range(num):
        x = residual_block(x,6)
    outputs = keras.layers.Dense(1)(x)
    model = tf.keras.Model(inputs=inputs,outputs=outputs)
    return model

def relu6(inputs):
    return tf.minimum(tf.maximum(inputs,0),6)

def h_swish(inputs):
    relu6_ = tf.multiply(relu6(inputs+3)/6,inputs)
    return relu6_
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

residual_model定义了一个比较简单的具有残差结构的网络，残差结构有三层，其中的s-wish函数 部分转化为静态图后如下所示：

图中红框标出的就是h-swish函数部分。