激活函数大汇总（十三）（Sinc & SwiGLU附代码和详细公式）

更多激活函数见激活函数大汇总列表

一、引言

欢迎来到我们深入探索神经网络核心组成部分——激活函数的系列博客。在人工智能的世界里，激活函数扮演着不可或缺的角色，它们决定着神经元的输出，并且影响着网络的学习能力与表现力。鉴于激活函数的重要性和多样性，我们将通过几篇文章的形式，本篇详细介绍两种激活函数，旨在帮助读者深入了解各种激活函数的特点、应用场景及其对模型性能的影响。

在接下来的文章中，我们将逐一探讨各种激活函数，从经典到最新的研究成果。

限于笔者水平，对于本博客存在的纰漏和错误，欢迎大家留言指正，我将不断更新。

二、Sinc

Sinc激活函数是一种在信号处理中广泛使用的函数，近年来也被探索用于深度学习模型中。它基于数学中的sinc函数，特别是在处理时间序列数据和频率分析时显示出其独特优势。

1. 数学定义

Sinc激活函数通常定义为：

$$\mathrm{Sinc}(x)=\{\begin{array}{ll}1& \text{ if }x=0\\ \frac{\sin (\pi x)}{\pi x}& \text{ otherwise }\end{array}$$
这里，$x$是激活函数的输入。

2. 函数特性

• 振荡和衰减：Sinc函数在$x=0$处取得最大值1，并随着$x=0$离开原点而振荡衰减。这种特性使得Sinc函数能够捕捉到数据中的周期性和频率信息。
• 带宽选择：Sinc函数的形状和衰减速度与信号的带宽选择密切相关，这在处理有限带宽信号时非常重要。
• 非局部性：与大多数激活函数相比，Sinc函数对输入的变化更加敏感，即使是远离原点的输入变化也能影响输出。

3. 导数

Sinc函数的导数是：

$$\frac{d}{dx}\mathrm{Sinc}(x)=\{\begin{array}{ll}0& \text{ if }x=0\\ \frac{\pi x\cos (\pi x)-\sin (\pi x)}{(\pi x{)}^2}& \text{ otherwise }\end{array}$$
导数在$x=0$处是连续的，尽管看起来像是未定义。通过洛必达法则，可以证明当$x=0$时，导数为0。

4. 使用场景与局限性

使用场景：

• 信号处理：在需要进行频率分析和带宽处理的信号处理应用中，Sinc激活函数能够有效地捕捉信号的周期性和频率特征。
• 时间序列分析：在分析和预测周期性时间序列数据时，Sinc激活函数可以帮助模型更好地理解数据的频率信息。

局限性：

• 梯度消失：由于Sinc函数远离原点时的振荡衰减，梯度可能变得非常小，导致梯度消失问题。
• 计算复杂性：Sinc函数涉及三角函数计算，相比于ReLU等简单激活函数，其计算成本更高。

5.代码实现

import numpy as npdef sinc_activation(x):"""计算Sinc激活函数的值。参数:x -- 输入值，可以是数值、NumPy数组或者多维数组。返回:Sinc激活后的结果。"""# 处理x=0的情况，以避免除以0的错误x_pi = np.pi * xresult = np.where(x == 0, 1, np.sin(x_pi) / x_pi)return result

解读

• 处理除以零的情况：np.where(x == 0, 1, np.sin(x_pi) / x_pi)这行代码首先检查x是否等于0。对于等于0的情况，直接返回1，这是因为根据Sinc函数的定义，当(x=0)时，函数值为1。
• Sinc函数计算：对于非零的输入值，函数计算np.sin(x_pi) / x_pi，其中x_pi是输入x乘以π。这实现了Sinc函数的标准定义：$\mathrm{Sinc}(x)=\frac{\sin (\pi x)}{\pi x}$。
• 向量化操作：这个实现利用了NumPy的向量化操作能力，允许函数直接作用于整个数组，无需显式循环。这对于在深度学习模型中高效处理大量数据至关重要。

示例使用

# 创建一个从-10到10的数组
x = np.linspace(-10, 10, 100)
# 计算Sinc激活值
y = sinc_activation(x)# 使用Matplotlib绘制结果
import matplotlib.pyplot as pltplt.plot(x, y)
plt.title("Sinc Activation Function")
plt.xlabel("x")
plt.ylabel("Sinc(x)")
plt.grid(True)
plt.show()

这段代码演示了如何计算一系列输入值的Sinc激活，并使用Matplotlib绘制了Sinc函数的图像。

三、SwiGLU

SwiGLU (Swish Gated Linear Unit) 激活函数是深度学习中的一种激活函数，结合了Swish激活函数和GLU (Gated Linear Unit) 的特性。SwiGLU 旨在利用Swish的平滑非饱和性质和GLU的动态门控能力，提高模型在处理复杂数据时的表现力。尽管“SwiGLU”并非广泛认知的标准术语，这里的介绍基于其构成元素的理论基础。

1. 数学定义

考虑到SwiGLU的概念是基于Swish和GLU的结合，它的定义可能类似于：

$$\mathrm{SwiGLU}(a,b)=\mathrm{Swish}(a)\odot \sigma (b)$$
其中：

• $a$和$b$是相同维度的输入向量。
• $\mathrm{Swish}(a)=a\cdot \sigma (a)$，$\sigma (a)=\frac{1}{1+e^{-a}}$是Sigmoid函数。
• $\odot$表示元素乘法。
• $\sigma (b)$ 是对输入(b)应用Sigmoid激活函数。
  

2. 函数特性

• 自适应门控机制：通过$\sigma (b)$为$a$的Swish激活提供动态门控，使模型可以根据数据自适应地调整信息流。
• 平滑激活：结合Swish激活函数的平滑性，SwiGLU既能捕获深层网络中的复杂特征，又能保持较好的梯度流动。
• 增强的非线性和表现力：通过Swish和门控机制的结合，SwiGLU能够为深度学习模型提供强大的非线性表现力。

3. 导数

SwiGLU的导数结合了Swish函数和Sigmoid门控的导数，具体表达式较为复杂，需要通过链式法则计算。

4. 使用场景与局限性

使用场景：

• 复杂数据建模：在需要模型理解和处理具有复杂结构和关系的数据时，如自然语言处理(NLP)和图像识别。
• 深度网络：在构建深层网络模型时，SwiGLU的非饱和特性和门控机制有助于缓解梯度消失问题，提升训练效果。

局限性：

• 计算开销：SwiGLU的计算相比简单的激活函数更为复杂，可能增加模型的训练时间和资源消耗。
• 优化难度：高度非线性和动态门控机制可能使得模型参数的优化变得更加困难，需要细致的调参和足够的训练数据。

5.代码实现

import numpy as npdef sigmoid(x):return 1 / (1 + np.exp(-x))def swish(x):return x * sigmoid(x)def swiglu(a, b):"""参数:a -- 输入值，可以是数值、NumPy数组或者多维数组。b -- 用于门控的输入，维度应与a相同。返回:根据SwiGLU激活机制处理后的结果。"""return swish(a) * sigmoid(b)

解读

• Swish激活：swish(a)对输入(a)应用Swish激活函数，这部分是通过输入(a)和它的Sigmoid激活值相乘来实现的，有助于引入非线性并保持梯度流动良好。
• Sigmoid门控：sigmoid(b)为输入(b)应用Sigmoid函数，生成一个介于0和1之间的门控信号。这个信号决定了经过Swish激活的(a)有多少信息可以流过。
• 元素乘法：最终通过将swish(a)的结果和sigmoid(b)的结果相乘，实现了SwiGLU激活。这样，(a)的每个元素都会根据(b)中对应元素的门控信号被调节。

示例使用

# 示例输入
a = np.array([0.5, -1, 2, -2])
b = np.array([1, -1, 0, 2])# 应用SwiGLU激活函数
output = swiglu(a, b)print("SwiGLU Output:", output)

这个例子展示了如何对两组输入a和b应用SwiGLU激活函数。

四、参考文献

• Oppenheim, A. V., & Schafer, R. W. (1975). “Digital Signal Processing.” Prentice-Hall. 这本书详细介绍了数字信号处理的基本概念，包括Sinc函数的使用和其在信号重建中的重要性。