AITerms 登入
深度學習神經網路

修正線性單元(Rectified Linear Unit)是什麼?

修正線性單元是一種激活函數,其核心特徵為保留正值並將負值歸零,藉此加速計算並避免梯度消失

同主題的術語深度學習神經網路

完整定義

修正線性單元 (ReLU) 是一種常用的神經網路激活函數,用於引入非線性特性。它能夠將所有負值設為零,而正值則保持不變。ReLU 激活函數因其計算效率高和能有效避免梯度消失問題,而被廣泛應用於深度學習模型中。

白話說明

你在神經網路裡看過一個函數,正值原樣通過,負值直接變成 0 嗎?

你可以把 ReLU 想成一個很簡單的門,正的放行,負的擋掉。

它之所以受歡迎,是因為計算快,而且在很多深度學習模型裡效果很好。

記住這句

正的放行,負的歸零。

比喻:ReLU 就像一個很直接的守門員 -- 只要球是正分(大於零),它就讓球過;如果是負分(小於等於零),就直接把球擋下來,不讓它進門。

容易混淆

ReLU vs Sigmoid

Sigmoid 會把輸入壓到 0 到 1 之間。

ReLU 對正值幾乎不壓縮,負值才歸零。

最關鍵的區別:一個會飽和,一個更直接。

ReLU vs Leaky ReLU

ReLU 在負值時直接變 0。

Leaky ReLU 在負值時還留一點小斜率。

最關鍵的區別:一個完全截斷,一個保留一點梯度。

ReLU vs Tanh

Tanh 會把值壓到 -1 到 1。

ReLU 不會把正值壓成固定區間。

最關鍵的區別:一個是平滑壓縮,一個是分段線性。

實際案例

影像辨識

卷積神經網路常用 ReLU 讓特徵通過更快。

這讓模型在多層堆疊時更容易訓練。

語音或文字模型

深度網路裡的隱藏層常搭配 ReLU,幫助梯度更容易往前傳。

這比傳統飽和型函數更不容易卡住。

演算法與應用

ReLU 的公式很簡單,輸入大於 0 就輸出原值,小於 0 就輸出 0。

它的優點是算得快、通常比較不會有梯度消失問題。

缺點是負值區域可能讓神經元長期沒有輸出,這就是常說的 dead ReLU。

情境判斷

Q1(直覺題): 你要讓神經網路在正值區域盡量保留訊號,該選哪種激活函數?

ReLU 很常被選,因為它對正值幾乎不做壓縮。

Q2(判斷題): 如果很多神經元在負值區域一直沒反應,就代表 ReLU 一定不適合嗎?

不一定,要看資料分布、初始化和學習率,有時改成 Leaky ReLU 就能改善。

常見問題

出現在這些考古題

官方公告試題的逐題解析裡,這 5 題把修正線性單元列為延伸術語。

相關術語

本頁內容有提到,或屬於同一組主題的術語

來源

這個術語目前沒有標註外部來源。

其他格式:Markdown 版本