refactor(topics): 멀티 에이전트용 지식 재편 — _Common(공통 기본기) + Domain_* 구조
에이전트 8종(대화형/프로그래머 C·S/디자이너/설계자/기획자/QA/PD/PM)에게 [공통 기본 능력 + 롤별 Specialty] 2층으로 지식을 주입하기 위한 재분류. 문서 내용·포맷은 무수정, 폴더 이동만 (6,372개 문서 수 보존 확인). - Topic_Programming → Domain_Programming (내부 구조 보존) - Topic_Graphic → Domain_Design - Topic_Business → Domain_Product - Topic_General → Domain_General - _Common 신설: Math(구 Topic_Math_Specialty), Reasoning(구 General/From_Thinking & Reasoning), Reasoning_Creativity(구 General/From_창의성), Communication(Poetic_Blog_Writing + From_writing) - 타 도메인의 From_* 폴더는 유지 (출처 표기일 뿐, 이미 도메인에 맞게 분류된 문서) - 빈 폴더 정리 (memory/procedures) - 에이전트→폴더 매핑은 workspace의 .astra/agent-knowledge-map.json (9개 에이전트) Co-Authored-By: Claude Fable 5 <noreply@anthropic.com>
This commit is contained in:
Antigravity Agent
@@ -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 |
|
||||
Reference in New Issue
Block a user