Antigravity Agent
f8b21af4be
10_Wiki/Topics 대규모 정리: - 오류 캡처/미완성 stub 문서 227개 제거 - 교차폴더 중복 43클러스터 병합 (63파일 → redirect) - 링크명 정규화: 깨진 링크 수정·redirect 직결·개념 매핑 ~2,400건 - 카테고리 MOC 6개 신규 생성 - Graph 섹션 미해결 related-keyword 링크 10,058건 제거 Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>
143 lines
4.3 KiB
Markdown
143 lines
4.3 KiB
Markdown
---
|
||
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 |
|