吳婷婷 許曉東 吳云龍

（江蘇大學(xué)計(jì)算機(jī)科學(xué)與通信工程學(xué)院 鎮(zhèn)江 212013）

1 引言

隨著信息爆炸引發(fā)“大數(shù)據(jù)”時代的到來，海量的文本信息也隨之而來，如何從這些浩瀚的文本信息中提取出有價值的文本信息并分類，以及如何提高這些文本信息分類的準(zhǔn)確性已成為目前的研究熱點(diǎn)和難點(diǎn)。

傳統(tǒng)文本分類模型聚焦在特征提取和選擇［1］上，常用方法有TF-IDF、詞頻、互信息等。也有學(xué)者認(rèn)為利用文本的語義信息可以更好地進(jìn)行文本分類，于是使用語義詞典來提取特征并分類［2］。近年來，深度學(xué)習(xí)（Deep Learning，DL）逐漸發(fā)展，深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network）尤其是卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）［3～4］作為近幾年來圖像處理和語音識別中的研究熱點(diǎn)［5］，在自然語言處理（Natural Language Processing，NLP）的各個任務(wù)中也都取得了顯著效果［6］。因此，學(xué)者們的研究重心轉(zhuǎn)移到了基于深度神經(jīng)網(wǎng)絡(luò)的分類模型上［7］。

深度神經(jīng)網(wǎng)絡(luò)文本分類模型［8～9］的性能優(yōu)越，CNN模型的研究工作受到了學(xué)者的高度重視。隨著研究的不斷深入，學(xué)者們發(fā)現(xiàn)CNN模型中存在一些問題，例如，CNN模型本身比較復(fù)雜，建模過程存在一定難度；由于某些激活函數(shù)具有特殊的性質(zhì)，導(dǎo)致了CNN模型在訓(xùn)練過程中容易出現(xiàn)梯度消失［10］、神經(jīng)元死亡［11］、均值偏移［12］、收斂速度慢、稀疏表達(dá)能力弱等問題［13］。

為了解決上述問題，本文分析研究了幾種常用激活函數(shù)的特性，并綜合ReLU、PReLU、Softplus三種激活函數(shù)的優(yōu)缺點(diǎn)，提出了一種新型激活函數(shù)SPReLU。最后，建立基于CNN的文本分類模型，在MR數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，對比這幾種激活函數(shù)對文本分類模型的準(zhǔn)確率和損失函數(shù)的影響。

2 常用激活函數(shù)及其特性

激活函數(shù)是深度神經(jīng)網(wǎng)絡(luò)的一個重要特征，它為神經(jīng)網(wǎng)絡(luò)提供了非線性建模能力，使網(wǎng)絡(luò)能夠更好地模擬數(shù)據(jù)特征，從而解決較為復(fù)雜的問題；同時，在反向傳播過程中，通過激活函數(shù)的誤差梯度來調(diào)整權(quán)重和偏置。神經(jīng)網(wǎng)絡(luò)中單個神經(jīng)元的工作機(jī)制［15］如圖1所示。計(jì)算公式為

圖1 單個神經(jīng)元的工作機(jī)制

其中，f為激活函數(shù)，w為權(quán)重，b為偏置。

2.1 Sigmoid激活函數(shù)

Sigmoid［14］激活函數(shù)是一種光滑連續(xù)并且單調(diào)遞增的S型函數(shù)，其數(shù)學(xué)形式為

Sigmoid函數(shù)具有以下特性：首先，函數(shù)的值域?yàn)?到1，其輸出范圍有限，輸出結(jié)果更加穩(wěn)定，可以用作模型的輸出層；其次，該函數(shù)的數(shù)學(xué)表達(dá)式簡單，求導(dǎo)更加容易。然而，由于Sigmoid函數(shù)具有軟飽和性，在定義域內(nèi)處處可導(dǎo)，當(dāng)x軸無限趨向于正無窮或負(fù)無窮時，函數(shù)的斜率幾乎為0，這種特性造成了梯度的消失；由于該函數(shù)是非零均值，影響了梯度的下降，導(dǎo)致了CNN模型在訓(xùn)練時不收斂。

Sigmoid函數(shù)圖像如圖2所示。

圖2 Sigmoid函數(shù)圖像

2.2 Tanh激活函數(shù)

Tanh［16］激活函數(shù)是對Sigmoid函數(shù)非零均值缺點(diǎn)的改進(jìn)，輸出結(jié)果以0為中心，使得模型的收斂更加快速。其數(shù)學(xué)形式為

Tanh激活函數(shù)雖然對Sigmoid進(jìn)行了一定的改進(jìn)，提高了其收斂速度，但是卻沒有改變Sigmoid函數(shù)中由于軟飽和性而造成的梯度消失問題。

Tanh函數(shù)圖像如圖3所示。

圖3 Tanh函數(shù)圖像

2.3 ReLU激活函數(shù)

ReLU［17］激活函數(shù)是目前最受學(xué)者們歡迎的一種修正型激活函數(shù)，它有效地緩解了“S”型激活函數(shù)梯度消失的問題，然而卻依然存在均值偏移的缺點(diǎn)。其數(shù)學(xué)形式為

當(dāng)x≥0時，ReLU函數(shù)的輸出結(jié)果與輸入相同，其斜率始終為1，有效地解決了梯度消失的問題；當(dāng)x＜0時，函數(shù)硬包和［18］，輸出結(jié)果強(qiáng)制變?yōu)?，梯度也始終為0，一定程度上給CNN模型帶來了稀疏特性，緩解了過擬合問題；然而，正是由于這種特性，也導(dǎo)致了神經(jīng)元死亡現(xiàn)象的出現(xiàn)，使得計(jì)算的結(jié)果不收斂，權(quán)重?zé)o法更新。

ReLU函數(shù)圖像如圖4所示。

圖4 ReLU函數(shù)圖像

2.4 PReLU激活函數(shù)

PReLU［19］激活函數(shù)是對ReLU函數(shù)的改進(jìn)，它對負(fù)半軸進(jìn)行修正，有效緩解了神經(jīng)元壞死問題。其數(shù)學(xué)形式為

在大于0部分，輸出保持與輸入相同；小于0部分，其輸出結(jié)果隨參數(shù)a的變化而變化。然而，由于其的線性修正特性，使得模型在表達(dá)能力上有所欠缺。

PReLU函數(shù)圖像如圖5所示。

圖5 PReLU函數(shù)圖像

2.5 Softplus激活函數(shù)

Softplus［20］激活函數(shù)的數(shù)學(xué)形式為

Softplus激活函數(shù)與Sigmoid和Tanh函數(shù)相比，能夠快速收斂；其次，該函數(shù)圖像光滑，符合生物神經(jīng)元特征，可以更好地模擬神經(jīng)元工作特性。然而，與ReLU和PReLU相比，該函數(shù)欠缺稀疏表達(dá)能力。

Softplus函數(shù)圖像如圖6所示。

圖6 Softplus函數(shù)圖像

3 改進(jìn)后的激活函數(shù)SPReLU

3.1 SPReLU改進(jìn)方法

綜合ReLU、PReLU和Softplus的特性，本文提出了一種新的激活函數(shù)SPReLu，其數(shù)學(xué)形式為

其中，a為隨機(jī)參數(shù)，根據(jù)模型實(shí)時訓(xùn)練發(fā)生變化，最終收斂為適宜的常數(shù)。

該函數(shù)具有以下特性，當(dāng)x≥0時，保留了Re-LU的線性特點(diǎn)，輸出結(jié)果與輸入數(shù)據(jù)保持不變；當(dāng)x＜0時，將Softplus函數(shù)的曲線下移ln2個單位，取負(fù)半軸曲線并乘上參數(shù)a。

SPReLU函數(shù)的圖像如圖7所示。

圖7 SPReLU激活函數(shù)圖像

其中，參數(shù)a有效地控制了函數(shù)的飽和范圍，它可以通過反向傳播進(jìn)行訓(xùn)練，并與其他層同時進(jìn)行優(yōu)化。某一層ai的梯度為

更新ai時采用動量法：

其中，μ是動量系數(shù)，α是學(xué)習(xí)率。

3.2 SPReLU函數(shù)性能分析

改進(jìn)后的SPReLU函數(shù)，同時繼承了ReLU、PReLU和Softplus函數(shù)的優(yōu)點(diǎn)，主要包含以下幾個方面。

1）正半軸繼承了ReLU函數(shù)，保留了ReLU函數(shù)快速收斂的特點(diǎn)，解決了梯度消失的問題。

2）負(fù)半軸繼承了Softplus的光滑的特性，非線性修正了負(fù)半軸數(shù)據(jù)，增強(qiáng)了CNN模型對樣本數(shù)據(jù)的表達(dá)能力；一些負(fù)軸的值得以保存，較好地解決了ReLU函數(shù)神經(jīng)元死亡的問題；負(fù)半軸增加了參數(shù)a，用參數(shù)激活函數(shù)代替無參數(shù)激活函數(shù)，有效地控制了函數(shù)的飽和范圍。

3）最后，與PReLU函數(shù)相比，SPReLU函數(shù)增加了指數(shù)函數(shù)，增強(qiáng)了模型的抗噪聲能力。

任何改進(jìn)都不可能做到完全沒有缺陷，改進(jìn)后的SPReLU函數(shù)也存在一些不足：

1）相比ReLU函數(shù)，SPReLU函數(shù)稀疏表達(dá)能力在一定程度上降低了。

2）負(fù)半軸的指數(shù)函數(shù)雖然增強(qiáng)了抗噪聲能力，但是，與ReLU和PReLU函數(shù)相比，增加了模型計(jì)算的復(fù)雜度。

4 實(shí)驗(yàn)結(jié)果和分析

4.1 實(shí)驗(yàn)環(huán)境及數(shù)據(jù)集

在實(shí)驗(yàn)中，采用64位的Windows 8操作系統(tǒng)，基于TensorFlow 1.11.0框架，在PyCharm上進(jìn)行編碼和調(diào)試，最后在TensorBoard中展示結(jié)果。

為了驗(yàn)證采用SPReLU激活函數(shù)的卷積神經(jīng)網(wǎng)絡(luò)模型在文本分類中的效果，本文在MR數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)。MR數(shù)據(jù)集是Rotten Tomatoes的Movie Review數(shù)據(jù)，文件大小為20k，包含10662個句子，一半正面評論一半負(fù)面評論，本文使用其中90%的句子進(jìn)行模型訓(xùn)練，并使用10%的句子模型驗(yàn)證。實(shí)驗(yàn)重復(fù)進(jìn)行三次，最終取三次實(shí)驗(yàn)結(jié)果的平均值作為分析對比的數(shù)據(jù)。

4.2 實(shí)驗(yàn)結(jié)果分析

本實(shí)驗(yàn)分別使用Sigmoid、Tanh、Softplus、Re-LU、PReLU和SRPeLU幾種激活函數(shù)進(jìn)行訓(xùn)練和驗(yàn)證，對比分析各個激活函數(shù)對CNN模型分類的準(zhǔn)確率和損失函數(shù)的影響。

實(shí)驗(yàn)結(jié)果的準(zhǔn)確率曲線和損失函數(shù)曲線分別如圖8和圖9所示。

圖8 準(zhǔn)確率曲線圖

圖9 損失函數(shù)曲線圖

幾種激活函數(shù)最大準(zhǔn)確率和最低誤差結(jié)果如表1所示。

表1 最大準(zhǔn)確率和最低誤差結(jié)果

從圖8和圖9和表1可以看出，隨著Step的不斷增加，幾種激活函數(shù)的準(zhǔn)確率逐漸增大，損失函數(shù)逐漸減小，最后趨于平緩，準(zhǔn)確率基本保持在0.70～0.75之間，損失函數(shù)在0.6～0.55之間。由于Sigmoid和Tanh函數(shù)本身的飽和特性，導(dǎo)致?lián)p失的特征較多，使得這兩種函數(shù)在準(zhǔn)確率和損失函數(shù)上都不如其他幾種激活函數(shù)；Softplus、ReLU和PRe-LU三種激活函數(shù)的準(zhǔn)確率和損失函數(shù)都相差不多；而改進(jìn)后的SPReLU激活函數(shù)在實(shí)驗(yàn)中的準(zhǔn)確率最高為0.751407，損失函數(shù)結(jié)果最低為0.559。

在實(shí)驗(yàn)過程中，Sigmoid和Tanh函數(shù)收斂最慢，前500步左右，PReLU函數(shù)的收斂速度相對較快，500步之后，SRPeLU函數(shù)的收斂速度逐漸提高，說明負(fù)半軸增加的指數(shù)函數(shù)，提高了模型的抗噪聲能力，使得收斂速度加快，最終使得SRPeLU函數(shù)收斂最快。因此，相較于常用激活函數(shù)，改進(jìn)后的SRPeLU激活函數(shù)結(jié)合了幾種常用函數(shù)的優(yōu)點(diǎn)，在文本分類中取得了較好的結(jié)果。

5 結(jié)語

本文針對卷積神經(jīng)網(wǎng)絡(luò)出現(xiàn)的梯度消失、均值偏移、稀疏表達(dá)能力差等問題，分析常用激活函數(shù)特性，并結(jié)合ReLU、PReLU、Softplus三種激活函數(shù)的特性，構(gòu)造了一種新型分段函數(shù)SPReLU作為激活函數(shù)，該函數(shù)有效地緩解了梯度消失和神經(jīng)元死亡等問題，收斂速度快，抗噪聲能力強(qiáng)，對樣本數(shù)據(jù)的表達(dá)能力更好。實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的SPRe-LU函數(shù)在性能上優(yōu)于其他函數(shù)，對文本分類模型的準(zhǔn)確性有一定的提高。下一步研究工作將對數(shù)據(jù)集的大小、收斂速度與準(zhǔn)確率之間的關(guān)聯(lián)性進(jìn)行研究，在不同的數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，驗(yàn)證其關(guān)聯(lián)性。