Maxout 激活函数 - 在 NumPy 中实现前向和反向传播

Question

我正在使用 NumPy 从头开始构建一个普通的神经网络，并试验不同激活函数的模型性能。我特别想看看“Maxout”激活函数将如何影响我的模型性能。

在进行了一些搜索之后，除了它们的定义（ https://ibb.co/kXCpjKc）之外，我无法在 NumPy 中找到一个实现。前向传播的公式很清楚，我将在哪里取 max(Z)（其中 Z = wT * x + b）。但是，我将在反向传播中使用的它们的导数对我来说并不清楚。

j = argmax(z) 在这种情况下是什么意思？如何在 NumPy 中实现它？

任何帮助将非常感激！谢谢！

Answer 1

稍微改变任何非最大值不会影响输出，因此它们的梯度为零。梯度仅从下一层传递到达到最大值的神经元（您提供的链接中的梯度 = 1）。请参阅此 stackoverflow 答案：https ://datascience.stackexchange.com/a/11703 。在神经网络设置中，您需要关于每个 x_i 的梯度，因此您需要全导数。在您提供的链接中，您可以看到只定义了一个偏导数。偏导数是一个向量（几乎全是 0 和 1，其中神经元最大），所以全梯度会变成一个矩阵。您可以在numpyusing中实现这一点np.argmax。