Python 如何实现ReLU代替Sigmoid函数

该代码应该包含三个数字[（value_1），（value_2），（value_1-value_2）]，如果第一个值和第二个值之间的差值为负，则返回“0”；如果差值为正，则返回“1”。到目前为止，它实际上工作得很好

以下是输出：

错误：0.497132186092
错误：0.105081486632
错误：0.102115299177
错误：0.100813655802
错误：0.100042420179
错误：0.0995185781466
测试输出
[0.0074706006801269686, 0.66687458928464094, 0.66687458928463983, 0.66686236694464551, 0.98341439176739631]
输出
[0.66687459245609326，0.00083944690766060215，0.000839464712854584，0.0074706634783305243，0.0074706634765733968，0.007480987498372226，0.99646513183073093，0.99647100131874755，0.99646513180692531，0.0008394457238723831023，0.99646513180692531，0.98166111861，0.66743972727272729，错误代码：
如您所见，给定alpha=0.0251的误差（对于梯度下降-通过反复试验发现）仅为9.95%

自从我做了这个程序，我了解到leaky RelU是Sigmoid函数的更好的替代品，因为它比Sigmoid函数优化和学习更快。我想在这个程序中使用numpy实现leaky RelU函数，但我不确定从哪里开始，尤其是它的导数是什么

我如何在这个神经网络中实现泄漏的RelU？
我想在这里补充一点，实际上有很多类似RelU的激活函数可以用来代替标准函数：


您已经提到了泄漏ReLu（由
alpha
参数化）
（预备课程）。该公式与泄漏ReLu相同，但允许学习系数
alpha
。另见
（ELU），试图使平均激活率接近于零，从而加快学习速度：



（SELU）最近出版。它是ELU的扩展，具有特定的参数选择，具有额外的规范化效果，有助于更快地学习

所有激活及其衍生物。
只有在特定条件下，它的优化和学习速度才比sigmoid快（它没有一些sigmoid的缺点，但有自己的缺点，例如所谓的“死relu”问题等，它要复杂得多），此外，如果您需要您的网络返回0和1之间的值，您将需要sigmoid或它的关闭替代无论如何，因为relu是无界的。如果你想自己设计神经网络，我会从这里开始：谢谢你提供的信息。我希望我的网络返回0到1之间的值，因为我需要它来返回经典概率。我有一个关于ReLU函数的问题，为什么有人需要一个输出值不在0和1之间的函数，这是否意味着sigmoid和ReLU函数不能互换？而且我可能无意中标记了你的评论。
import numpy as np 

alpha = 0.0251 # as close to true alpha as possible
def nonlinear(x, deriv=False):
  if(deriv==True):
    return x*(1-x)
  return 1/(1+np.e**(-x))

#seed
np.random.seed(1)

#testing sample
test_x = np.array([[251,497,-246],
              [299,249,50],
              [194,180,14],
              [140,148,-8],
              [210,140,70]])
#Input Array - This input will be taken directly from a Pong game
X = np.array([[198,200,-2],
          [90, 280,-190],
          [84, 256,-172],
          [140,240,-100],
          [114,216,-102],
          [72, 95,-23],
          [99, 31, 68],
          [144, 20, 124],
          [640, 216,424],
          [32, 464,-432],
          [176, 64,112],
          [754, 506,248],
          [107, 104,3],
          [116,101,15]])

#output array - if ball_pos - paddle > 0 move up else move down
Y = np.array([[0,0,0,0,0,0,1,1,1,0,1,1,1,1,]]).T 

syn0 = 2*np.random.random((3,14))-1
syn1 = 2*np.random.random((14,14))-1

for j in range(60000):

  #forward propagation 
  l0 = X
  l1 = nonlinear(np.dot(l0, syn0))
  l2 = nonlinear(np.dot(l1, syn1))

  #how much did we miss 
  l2_error = Y - l2 

  #multiply how much missed by the slope of sigmoid at the value in l1 
  l2_delta = l2_error * nonlinear(l2, True)

  #how much did l1 contribute to l2 error 
  #(according to the weights)
  l1_error = l2_delta.dot(syn1.T)

  #in what direction is the target l1?
  # Sure?
  l1_delta = l1_error*nonlinear(l1,True)

  #update weight
  syn1 += alpha * (l1.T.dot(l2_delta))
  syn0 += alpha * (l0.T.dot(l1_delta))

  # display error 
  if(j % 10000) == 0:
    print("ERROR: " + str(np.mean(np.abs(l2_error))))


#Testing Forward propagation
l0_test = test_x
l1_test = nonlinear(np.dot(l0_test,syn0))
l2_test = nonlinear(np.dot(l1_test,syn1))

#Dress up the array (make it look nice)
l2_test_output = []
for x in range(len(l2_test)):
  l2_test_output.append(l2_test[x][0])

print("Test Output")
print(l2_test_output)

#Put all the l2 data in a way I could see it: Just the first probabilites 
l2_output = []
for x in range(len(l2)):
  l2_output.append(l2[x][0])

print("Output")
print(l2_output)