[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -2,89 +2,141 @@
|
||||
id: wiki-2026-0508-leaky-relu-and-activations
|
||||
title: Leaky ReLU and Activations
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [DL-ACT-001]
|
||||
aliases: [Activation Functions, ReLU Family, GELU, SiLU, Swish]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 1.0
|
||||
tags: [ai, Deep-Learning, activation-function, leaky-relu, relu, neural-networks]
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [activation, relu, gelu, silu, swiglu, deep-learning]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-26
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
tech_stack: { language: Python, framework: PyTorch }
|
||||
---
|
||||
|
||||
# Leaky ReLU and Activations (Leaky ReLU와 활성화 함수)
|
||||
# Leaky ReLU and Activations
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "완벽한 차단(Zero)보다 미세한 가능성(Small Slope)을 남겨, 잠든 뉴런을 깨우고 학습의 흐름을 유지하라" — 음수 입력에 대해 0을 출력하는 ReLU의 한계를 극복하기 위해, 아주 작은 기울기를 허용하여 정보 손실을 막고 기울기 소실 문제를 완화하는 활성화 함수.
|
||||
## 매 한 줄
|
||||
> **"매 activation = 비선형성"**. ReLU 계열이 base, Transformer는 GELU/SiLU/SwiGLU.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Non-linear Signal Gating" — 입력 신호에 비선형성을 부여하여 신경망이 복잡한 함수를 학습할 수 있게 하되, 학습 과정에서 특정 가중치가 업데이트되지 않는 'Dead Neuron' 현상을 방지하는 방어적 활성화 패턴.
|
||||
- **주요 함수 비교:**
|
||||
- **ReLU:** 단순하고 빠르지만 음수 영역에서 정보 유실(Dying ReLU).
|
||||
- **Leaky ReLU:** $f(x) = \max(0.01x, x)$ 형태로 음수에서도 학습 가능.
|
||||
- **ELU / SELU:** 지수 함수를 사용하여 평균 활성화를 0에 가깝게 조절.
|
||||
- **GELU:** 가우시안 분포를 활용하여 트랜스포머 모델에서 주로 사용.
|
||||
- **의의:** 신경망이 층을 거듭하며 깊어질 때, 신호가 끊기지 않고 끝까지 전달되도록 하는 에너지 공급원 역할.
|
||||
## 매 핵심
|
||||
### 매 ReLU 계열
|
||||
- **ReLU**: max(0, x). 빠름, dying ReLU 문제.
|
||||
- **Leaky ReLU**: max(αx, x), α=0.01. 음수 작게 통과.
|
||||
- **PReLU**: α 학습 가능 파라미터.
|
||||
- **ELU**: x>0이면 x, 아니면 α(eˣ-1). 평균 0에 가까움.
|
||||
- **SELU**: scaled ELU. self-normalizing (FC + lecun_normal init).
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌:** 단순한 ReLU가 최강이라는 믿음에서 벗어나, 최근의 초거대 모델(LLM)들은 부드러운 곡선 형태의 GELU나 Swish 계열의 함수를 사용하여 더 정교한 학습 성능을 확보함.
|
||||
- **정책 변화:** Antigravity 프로젝트는 커스텀 신경망 설계 시 기본 활성화 함수로 Leaky ReLU 또는 GELU를 사용하여 모델의 수렴 속도와 성능을 동시에 관리함.
|
||||
### 매 Smooth 계열
|
||||
- **GELU**: x·Φ(x). BERT/GPT 표준. xerf 또는 tanh 근사.
|
||||
- **SiLU/Swish**: x·σ(x). PaLM, EfficientNet.
|
||||
- **Mish**: x·tanh(softplus(x)). YOLOv4.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Deep-Learning-Foundations, [[Backpropagation|Backpropagation]]-Foundations, Weight-Initialization-Strategies, [[Transformer-Architecture|Transformer-Architecture]]-Foundations
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Leaky-ReLU-and-Activations.md
|
||||
### 매 Gated 계열 (FFN)
|
||||
- **GLU**: (xW)⊗σ(xV). 정보 게이팅.
|
||||
- **SwiGLU**: (xW)⊗SiLU(xV). LLaMA, PaLM FFN. 보통 hidden ×2/3 보정.
|
||||
- **GeGLU**: GELU 변형.
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
### 매 Output 전용
|
||||
- **Sigmoid**: 이진. saturation→gradient vanish.
|
||||
- **Softmax**: multi-class probability.
|
||||
- **Tanh**: [-1,1]. RNN, GAN generator.
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
### 매 직관
|
||||
- ReLU: 빠르고 단순, but dead neurons
|
||||
- GELU/SiLU: smooth, 0근처 비선형성↑, deep transformer에 유리
|
||||
- SwiGLU: gating으로 expressiveness↑, 동일 param 대비 성능↑
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
|
||||
## 💻 코드 패턴 (Code Patterns)
|
||||
|
||||
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
|
||||
|
||||
```text
|
||||
# TODO
|
||||
## 💻 패턴
|
||||
### PyTorch built-ins
|
||||
```python
|
||||
import torch.nn as nn, torch.nn.functional as F
|
||||
# 클래스
|
||||
nn.ReLU(); nn.LeakyReLU(0.01); nn.PReLU()
|
||||
nn.ELU(alpha=1.0); nn.SELU()
|
||||
nn.GELU(approximate="tanh"); nn.SiLU(); nn.Mish()
|
||||
# 함수
|
||||
F.relu(x); F.leaky_relu(x, 0.01); F.gelu(x); F.silu(x)
|
||||
```
|
||||
|
||||
## 🤔 의사결정 기준 (Decision Criteria)
|
||||
### SwiGLU FFN (LLaMA-style)
|
||||
```python
|
||||
class SwiGLU(nn.Module):
|
||||
def __init__(self, d, d_hidden):
|
||||
super().__init__()
|
||||
self.w_gate = nn.Linear(d, d_hidden, bias=False)
|
||||
self.w_up = nn.Linear(d, d_hidden, bias=False)
|
||||
self.w_down = nn.Linear(d_hidden, d, bias=False)
|
||||
def forward(self, x):
|
||||
return self.w_down(F.silu(self.w_gate(x)) * self.w_up(x))
|
||||
# 보통 d_hidden = int(8/3 * d), 64 multiple로 round
|
||||
```
|
||||
|
||||
**선택 A를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
### GELU 직접
|
||||
```python
|
||||
import math, torch
|
||||
def gelu_tanh(x):
|
||||
return 0.5 * x * (1 + torch.tanh(math.sqrt(2/math.pi) * (x + 0.044715 * x**3)))
|
||||
```
|
||||
|
||||
**선택 B를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
### Init과 페어링
|
||||
```python
|
||||
# ReLU/Leaky → He (Kaiming)
|
||||
nn.init.kaiming_normal_(layer.weight, nonlinearity="relu")
|
||||
# SELU → LeCun normal
|
||||
nn.init.normal_(layer.weight, std=(1.0 / fan_in)**0.5)
|
||||
# Tanh → Xavier
|
||||
nn.init.xavier_normal_(layer.weight)
|
||||
```
|
||||
|
||||
**기본값:**
|
||||
> *(TODO)*
|
||||
### Dying ReLU 진단
|
||||
```python
|
||||
# forward hook으로 zero ratio 측정
|
||||
zero_ratio = (act == 0).float().mean().item()
|
||||
# > 0.5 지속 → Leaky/ELU/GELU로 교체
|
||||
```
|
||||
|
||||
## ❌ 안티패턴 (Anti-Patterns)
|
||||
## 매 결정 기준
|
||||
| 모델 | Activation |
|
||||
|---|---|
|
||||
| CNN classic | ReLU |
|
||||
| ResNet/EfficientNet | ReLU / SiLU |
|
||||
| Transformer (BERT/GPT) | GELU |
|
||||
| LLaMA / PaLM FFN | SwiGLU |
|
||||
| GAN generator | Tanh (out), ReLU (hidden) |
|
||||
| Self-normalizing FC | SELU + lecun_normal |
|
||||
| YOLO 변형 | Mish |
|
||||
| Output binary | Sigmoid |
|
||||
| Output multiclass | Softmax (or none + CE) |
|
||||
|
||||
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
|
||||
**기본값**: 일반 DL → ReLU. Transformer → GELU. LLM FFN → SwiGLU.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Neural-Networks]], [[Deep-Learning]]
|
||||
- 변형: [[ReLU]], [[GELU]], [[SiLU-Swish]], [[SwiGLU]]
|
||||
- 응용: [[Transformer]], [[FFN]], [[CNN]]
|
||||
- Adjacent: [[Weight-Initialization]], [[Batch-Normalization]], [[Loss-Functions-Foundations]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 모델별 표준 activation 추천, 코드 생성.
|
||||
**언제 X**: 새로운 SoTA activation 검증은 실험 필요.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- ReLU + softmax 출력 hidden에 Sigmoid 끼우기
|
||||
- SELU에 BatchNorm 같이 쓰기 (self-norm 깨짐)
|
||||
- Sigmoid를 deep network hidden에 (vanishing)
|
||||
- SwiGLU 쓰면서 hidden dim 보정 안 함 (param 늘어남)
|
||||
- Output에 ReLU (negative target 못 표현)
|
||||
- He init을 GELU/SiLU에도 (괜찮지만 정확히는 다름)
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (He 2015, Hendrycks GELU, Ramachandran Swish, Shazeer SwiGLU). 신뢰도 A.
|
||||
- 중복: 없음.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — SwiGLU/GELU 코드, init pairing |
|
||||
|
||||
Reference in New Issue
Block a user