基本ガイド
アクティベーション関数
活性化関数は各ニューロン内の小さな非線形ゲートであり、ニューラル ネットワークが単なる直線ではなく複雑な曲線パターンを学習できるようにします。
このガイドを聴くAIによるナレーション · ~2 min
概要
Without them, a deep network would collapse into a single linear equation.
ディープダイブ
各ニューロンは入力の重み付き合計を計算しますが、その合計だけでは線形です。多くの線形層を積み重ねても、数学的には、どれほど深くても、大きな線形関数は 1 つだけになります。活性化関数は、各ニューロンの出力に非線形変換を適用することでこれを打破し、ネットワークにほぼすべての関数を近似する能力を与えます。最も人気のあるのは ReLU で、正の場合は入力を単純に出力し、それ以外の場合はゼロを出力します。これは高速であり、古い関数のトレーニングの問題を回避します。シグモイドとタンは値を境界のある範囲に押し込み、歴史的には一般的でしたが、深いネットワークでは勾配が消えるという問題が発生する可能性があります。出力で使用されるソフトマックス関数は、生のスコアをクラス全体の確率分布に変換します。
現実世界の実装
畳み込みネットワークの隠れ層で ReLU を使用して、画像認識の曲線決定境界を学習できるようにする
最終層でソフトマックスを適用して、分類子の生のスコアを合計が 1 になるクラス確率に変換します。
よりスムーズなグラデーション フローを実現するためにトランスフォーマー言語モデル内で GELU アクティベーションを選択する
ネットワーク内のニューロンが多すぎて停止し、応答を停止した場合に Leaky ReLU に切り替える
アクティベーション関数の未来
ReLU とそのスムーズないとこである GELU が現在主流となっており、トランスフォーマーでは GELU が好まれています。これは、その滑らかな曲線がトレーニング ダイナミクスとよく調和しているためです。研究では、現在大規模な言語モデルで一般的となっている SwiGLU のような、乗算ゲートを使用して表現力を高める学習型およびゲート型アクティベーションを調査しています。大規模な傾向としては、グラジエント フローとモデルの品質を大規模に向上させる、スムーズなゲート関数が求められています。エキゾチックなアクティベーションは定期的に論文に登場しますが、実際には単純で適切に動作する関数が勝つ傾向があります。これは、巨大なモデルにわたって確実にトレーニングされるためです。
実践する
なぜそれが重要なのか
- より明確な判決. これは、明確な技術的主張とマーケティング言語を区別するのに役立ちます。
- 費用と予算. お金や時間を費やす前に、実装に関するより良い質問をすることができます。
- チームとワークフロー. 共通の理解を持ったチームは、製品、ポリシー、学習に関する意思決定をより適切に行うことができます。
気をつけてください
- チームが異なれば、同じ用語の使用方法も異なる可能性があるため、範囲を早めに定義してください。
- ベンチマークは好調に見えても、実際のパフォーマンスにはばらつきがある場合があります。
- データの品質と評価計画を無視すると、多くの場合、脆弱な結果が生じます。
次のステップ
- 必要な結果を平易な言葉で定義することから始めます。
- テストする前に、成功指標と失敗条件を 1 つ選択します。
- 洗練されたデモセットではなく、代表的なデータを使用して小規模なパイロットを実行します。
- アクティベーション関数が役立つ場合と、より単純な方法の方が優れている場合を文書化します。
探検を続けましょう
よくある質問
What is Activation Functions?
活性化関数は各ニューロン内の小さな非線形ゲートであり、ニューラル ネットワークが単なる直線ではなく複雑な曲線パターンを学習できるようにします。これらがなければ、深いネットワークは単一の線形方程式に崩壊してしまいます。
Why can stacking only linear layers not learn a curved decision boundary?
Without nonlinear activations, multiple linear layers compose to another linear mapping.
Why can sigmoid and tanh stall learning in deep networks when inputs reach their extremes?
At their flat extremes, their near-zero gradients weaken the backpropagated signal.
A multiclass classifier needs output values that sum to one across classes. Which function does the guide use?
Softmax turns raw class scores into a probability distribution over classes.
What does the “dying ReLU” problem mean in the guide?
A ReLU stuck receiving negative inputs can keep outputting zero, preventing useful updates through that unit.
Which variant is suggested when many ReLU units stay inactive?
The guide names Leaky ReLU as a response to dead units because its negative side is not flat at zero.