docs(10_Wiki): Topic_Business/General/Graphic/Programming을 Topics/ 하위로 이동

최상위 10_Wiki/Topic_*였던 4개 카테고리 폴더를 10_Wiki/Topics/Topic_* 로 재배치.
콘텐츠 변경 없음(순수 폴더 이동) — Topics/ 하위 나머지 폴더는 이미 지난 커밋에서
전부 정리된 상태(잔존 항목은 에이전트 운영 상태 및 사용자가 보존을 요청한
업데이트0615/무제 3.canvas 뿐).

10_Wiki/Topics/Topic_Programming/AI_and_ML/Leaky-ReLU-and-Activations.md

@@ -0,0 +1,142 @@
+---
+id: wiki-2026-0508-leaky-relu-and-activations
+title: Leaky ReLU and Activations
+category: 10_Wiki/Topics
+status: verified
+canonical_id: self
+aliases: [Activation Functions, ReLU Family, GELU, SiLU, Swish]
+duplicate_of: none
+source_trust_level: A
+confidence_score: 0.9
+verification_status: applied
+tags: [activation, relu, gelu, silu, swiglu, deep-learning]
+raw_sources: []
+last_reinforced: 2026-05-10
+github_commit: pending
+tech_stack: { language: Python, framework: PyTorch }
+---
+
+# Leaky ReLU and Activations
+
+## 매 한 줄
+> **"매 activation = 비선형성"**. ReLU 계열이 base, Transformer는 GELU/SiLU/SwiGLU.
+
+## 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).
+
+### 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.
+
+### 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.
+
+### 매 Output 전용
+- **Sigmoid**: 이진. saturation→gradient vanish.
+- **Softmax**: multi-class probability.
+- **Tanh**: [-1,1]. RNN, GAN generator.
+
+### 매 직관
+- ReLU: 빠르고 단순, but dead neurons
+- GELU/SiLU: smooth, 0근처 비선형성↑, deep transformer에 유리
+- SwiGLU: gating으로 expressiveness↑, 동일 param 대비 성능↑
+
+## 💻 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)
+```
+
+### 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
+```
+
+### 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)))
+```
+
+### 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)
+```
+
+### Dying ReLU 진단
+```python
+# forward hook으로 zero ratio 측정
+zero_ratio = (act == 0).float().mean().item()
+# > 0.5 지속 → Leaky/ELU/GELU로 교체
+```
+
+## 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) |
+
+**기본값**: 일반 DL → ReLU. Transformer → GELU. LLM FFN → SwiGLU.
+
+## 🔗 Graph
+- 부모: [[Neural-Networks]], [[Deep Learning]]
+- 변형: [[GELU]]
+- 응용: [[Transformer]], [[CNN]]
+- Adjacent: [[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 |