Neural network 具有不同激活函数的神经网络层的向量运算 符号
在神经网络的前向传递中,任何一层的神经元都在做两个连续的操作Neural network 具有不同激活函数的神经网络层的向量运算 符号,neural-network,vectorization,Neural Network,Vectorization,在神经网络的前向传递中,任何一层的神经元都在做两个连续的操作 将所有权重与输入相乘,然后将结果累加[MAC阶段]并将结果放入定标器值net\u 应用F_act(net_)其中F_act是神经元激活功能。结果是定标器out\u v将被后继神经元消耗 神经元的方框图可以表示为下图 问题: 现在假设一个应用程序,确实需要一个每层具有不同激活函数的神经网络。这样,在每次向前传递时,每一层都将有一个该层所有神经元的净输出的向量,以及对该向量中的每个元素应用f_act 在所有层共享相同激活函数的情况下,
net\u
F_act(net_)
其中F_act
是神经元激活功能。结果是定标器out\u v
将被后继神经元消耗净输出的向量,以及对该向量中的每个元素应用f_act
- 在所有层共享相同激活函数的情况下,应将激活函数映射到单个向量操作中
SIMD
- 但是,如果每个神经元(或一组神经元)都有自己的激活功能,那该怎么办;这种情况下的实现速度会比单一激活功能情况慢得多吗
我相信它会更慢,因为无论何时应用f_-act
我们都需要调用多个向量操作[每个f_-act
]调用一个向量操作]
我说得对吗?或者为每个f_act
调用向量操作的开销非常小,可以忽略?性能将类似。这取决于激活功能的复杂程度。这还取决于您将使用哪种编程语言或ANN框架。性能将相似。这取决于激活功能的复杂程度。它还取决于您将使用哪种编程语言或ANN框架。