web-dev-qa-db-fra.com

Comment implémenter la fonction ReLU dans Numpy

Je souhaite créer un réseau de neurones simple et utiliser la fonction ReLU. Quelqu'un peut-il me donner un indice sur la façon dont je peux implémenter la fonction avec numpy ..__ Merci pour votre temps!

pythonnumpymachine-learningneural-network
38
Andoni Zubizarreta

Il y a deux façons.

>>> x = np.random.random((3, 2)) - 0.5
>>> x
array([[-0.00590765,  0.18932873],
       [-0.32396051,  0.25586596],
       [ 0.22358098,  0.02217555]])
>>> np.maximum(x, 0)
array([[ 0.        ,  0.18932873],
       [ 0.        ,  0.25586596],
       [ 0.22358098,  0.02217555]])
>>> x * (x > 0)
array([[-0.        ,  0.18932873],
       [-0.        ,  0.25586596],
       [ 0.22358098,  0.02217555]])
>>> (abs(x) + x) / 2
array([[ 0.        ,  0.18932873],
       [ 0.        ,  0.25586596],
       [ 0.22358098,  0.02217555]])

Si vous synchronisez les résultats avec le code suivant:

import numpy as np

x = np.random.random((5000, 5000)) - 0.5
print("max method:")
%timeit -n10 np.maximum(x, 0)

print("multiplication method:")
%timeit -n10 x * (x > 0)

print("abs method:")
%timeit -n10 (abs(x) + x) / 2

On a:

max method:
10 loops, best of 3: 239 ms per loop
multiplication method:
10 loops, best of 3: 145 ms per loop
abs method:
10 loops, best of 3: 288 ms per loop

Donc, la multiplication semble être la plus rapide.

78
Sid

Si x ne vous dérange pas d'être modifié, utilisez np.maximum(x, 0, x). Ceci a été signalé par Daniel S . C'est beaucoup plus rapide et parce que les gens peuvent l'ignorer, je vais le republier comme réponse. Voici la comparaison:

max method:
10 loops, best of 3: 238 ms per loop
multiplication method:
10 loops, best of 3: 128 ms per loop
abs method:
10 loops, best of 3: 311 ms per loop
in-place max method:
10 loops, best of 3: 38.4 ms per loop
33
Richard Möhn

J'ai trouvé une méthode plus rapide pour ReLU avec numpy. Vous pouvez également utiliser la fonctionnalité d'index fantaisie de numpy.

indice de fantaisie:

20,3 ms ± 272 µs par boucle (moyenne ± écart type de 7 passages, 10 boucles chacun)

>>> x = np.random.random((5,5)) - 0.5 
>>> x
array([[-0.21444316, -0.05676216,  0.43956365, -0.30788116, -0.19952038],
       [-0.43062223,  0.12144647, -0.05698369, -0.32187085,  0.24901568],
       [ 0.06785385, -0.43476031, -0.0735933 ,  0.3736868 ,  0.24832288],
       [ 0.47085262, -0.06379623,  0.46904916, -0.29421609, -0.15091168],
       [ 0.08381359, -0.25068492, -0.25733763, -0.1852205 , -0.42816953]])
>>> x[x<0]=0
>>> x
array([[ 0.        ,  0.        ,  0.43956365,  0.        ,  0.        ],
       [ 0.        ,  0.12144647,  0.        ,  0.        ,  0.24901568],
       [ 0.06785385,  0.        ,  0.        ,  0.3736868 ,  0.24832288],
       [ 0.47085262,  0.        ,  0.46904916,  0.        ,  0.        ],
       [ 0.08381359,  0.        ,  0.        ,  0.        ,  0.        ]])

Voici mon point de repère:

import numpy as np
x = np.random.random((5000, 5000)) - 0.5
print("max method:")
%timeit -n10 np.maximum(x, 0)
print("max inplace method:")
%timeit -n10 np.maximum(x, 0,x)
print("multiplication method:")
%timeit -n10 x * (x > 0)
print("abs method:")
%timeit -n10 (abs(x) + x) / 2
print("fancy index:")
%timeit -n10 x[x<0] =0

max method:
241 ms ± 3.53 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
max inplace method:
38.5 ms ± 4 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
multiplication method:
162 ms ± 3.1 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
abs method:
181 ms ± 4.18 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
fancy index:
20.3 ms ± 272 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
16
Tobias

Vous pouvez le faire beaucoup plus facilement et sans numpy:

def ReLU(x):
    return x * (x > 0)

def dReLU(x):
    return 1. * (x > 0)
10
Shital Shah

La comparaison de Richard Möhn n'est pas juste.
Comme commentaire de Andrea Di Biagio , la méthode sur place np.maximum(x, 0, x) modifiera x à la première boucle.
Alors voici mon point de repère: 

import numpy as np

def baseline():
    x = np.random.random((5000, 5000)) - 0.5
    return x

def relu_mul():
    x = np.random.random((5000, 5000)) - 0.5
    out = x * (x > 0)
    return out

def relu_max():
    x = np.random.random((5000, 5000)) - 0.5
    out = np.maximum(x, 0)
    return out

def relu_max_inplace():
    x = np.random.random((5000, 5000)) - 0.5
    np.maximum(x, 0, x)
    return x

Le chronométrer: 

print("baseline:")
%timeit -n10 baseline()
print("multiplication method:")
%timeit -n10 relu_mul()
print("max method:")
%timeit -n10 relu_max()
print("max inplace method:")
%timeit -n10 relu_max_inplace()

Obtenez les résultats: 

baseline:
10 loops, best of 3: 425 ms per loop
multiplication method:
10 loops, best of 3: 596 ms per loop
max method:
10 loops, best of 3: 682 ms per loop
max inplace method:
10 loops, best of 3: 602 ms per loop

La méthode maximale sur place est un peu plus rapide que la méthode maximale, et peut-être parce qu'elle omet l'affectation de variable pour 'out'. Et c'est toujours plus lent que la méthode de multiplication.
Et puisque vous implémentez la fonction ReLU. Vous devrez peut-être enregistrer le "x" pour backprop par relu. Par exemple.: 

def relu_backward(dout, cache):
    x = cache
    dx = np.where(x > 0, dout, 0)
    return dx

Je vous recommande donc d'utiliser la méthode de multiplication.

3
ivanpp

Ceci est une implémentation plus précise:

def ReLU(x):
    return abs(x) * (x > 0)
0
Patel Sunil

Si nous avons 3 paramètres (t0, a0, a1) pour Relu, c’est que nous voulons implémenter

if x > t0:
    x = x * a1
else:
    x = x * a0

Nous pouvons utiliser le code suivant:

X = X * (X > t0) * a1 +  X * (X < t0) * a0

X il y a une matrice.

0
Boooooooooms