激活函数大汇总（三十七）（PLU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、PLU
PLU（Piecewise Linear Unit ）激活函数是一种参数化的线性单元，旨在提供ReLU（Rectified Linear Unit）的一种改进形式，通过引入可学习的参数来增加模型的灵活性和适应性。
1. 数学定义
PLU激活函数定义为：
P L U ( x ) = max ( α ( x + c ) − c , min ( α ( x + c ) + c , x ) ) P L U(x)=\max (\alpha(x+c)-c, \min (\alpha(x+c)+c, x)) PLU(x
)
)
具有额外构建选项的软件包)
![[C语言]——操作符详解](http://pic.xiahunao.cn/[C语言]——操作符详解)
