technology(advance)

作者：少莱特

编制人：荣怀阳

00-1010激活功能的研究从未停止。ReLU仍然主导着深度学习的激活功能，但这种情况可能会被Mish改变。

Diganta Misra的一篇题为“Mish :a自调节非单调神经激活函数”的新论文介绍了一种新的深度学习激活函数，其最终精度高于Swish(.494%)和ReLU(1.671%)。

我们的小FastAI团队用Mish代替了ReLU，打破了之前在FastAI全球排行榜上的部分准确率得分记录。结合Ranger优化器，Mish激活，平余弦退火和自我关注层，我们可以获得12个新的排行榜记录！

我们12项排行榜记录中的6项。每条记录都使用Mish而不是ReLU。(蓝色高亮显示，400历元精度为94.6，略高于我们的20历元精度93.8:)

作为我们自己测试的一部分，我们可以说对于ImageWoof数据集的5纪元测试：

Mish在高显著性水平上优于relu(p 0.0001)。(FastAI论坛@ Seb)

Mish已经在70多个基准上进行了测试，包括图像分类、分割和生成，并与其他15个激活功能进行了比较。

与ReLU和Mish相比，Mish的梯度更平滑。

我对Mish做了一个PyTorch实现，在没有任何其他改动的情况下用它替换了ReLU，并用广泛的优化器(Adam、Ranger、RangerLars、Novograd等)进行了测试。)在困难的ImageWoof数据集上。

我发现Mish的训练稳定性、平均准确率(1-2.8%)和峰值准确率(1.2%-3.6%)都得到了全面的提升，这与本文的结果是一致的，甚至超过了本文的结果。

以下是Ranger Optimizer Mish和FastAI排行榜之间的比较：

游侠优化器(RAdam和前瞻)Mish激活超过当前FastAI排行榜评级。注意稳定稳定的训练曲线。

FastAI排名是5和20个时代，ImageWoof数据集(困难)。

这是通过在FastAI的XResNet50中简单地用Mish替换ReLU，并使用各种优化器运行(上面的Ranger结果)来实现的。没有其他变化，包括学习率。注意：优化Mish的学习率很可能会得到更好的效果。与ReLU相比，本文提出了一个较低的学习率供参考。

Mish检查了理想激活函数应该是什么的所有内容(平滑、处理负号等)。)，并提出了一套广义的初始检验。在过去的一年里，我测试了大量新的激活函数，其中大多数都失败了，从基于MNIST的论文到基于更真实数据集的测试。因此，Mish最终可能会为深度学习从业者提供新的激活功能，有很大机会超越长期占据主导地位的ReLU。

米什的性质

我通过下面的PyTorch代码链接提供了Mish和一个修改后的XResNet (MXResNet)，这样你就可以快速地把Mish放到你的代码中，并立即进行测试！

让我们后退一步，了解什么是Mish，为什么它可能会提高ReLU上的训练，以及在神经网络中使用Mish的一些基本步骤。

什么是Mesh？

直接看Mesh的代码会更容易。简单总结一下，Mish=x * tanh(ln(1 e^x (1e x))。

其他激活函数，ReLU为x=max(0，x)，Swish为x * sigmoid(x)。

PyTorch的Mish实现：

img src="https://p5.toutiaoimg.com/origin/pgc-image/44affd219e634f02b0eb9b05b024265b?from=pc">

Mish的PyTorch实现

Tensorflow中的Mish函数：

Tensorflow：x = x *tf.math.tanh(F.softplus(x))

Mish和其他的激活函数相比怎么样？

下图显示了Mish与其他一些激活函数的测试结果。这是多达73个测试的结果，在不同的架构，不同的任务上：

Mish对比很多基准测试中的激活函数

为什么Mish表现这么好？

以上无边界(即正值可以达到任何高度)避免了由于封顶而导致的饱和。理论上对负值的轻微允许允许更好的梯度流，而不是像ReLU中那样的硬零边界。

最后，可能也是最重要的，目前的想法是，平滑的激活函数允许更好的信息深入神经网络，从而得到更好的准确性和泛化。

尽管如此，我测试了许多激活函数，它们也满足了其中的许多想法，但大多数都无法执行。这里的主要区别可能是Mish函数在曲线上几乎所有点上的平滑度。

这种通过Mish激活曲线平滑性来推送信息的能力如下图所示，在本文的一个简单测试中，越来越多的层被添加到一个测试神经网络中，而没有一个统一的函数。随着层深的增加，ReLU精度迅速下降，其次是Swish。相比之下，Mish能更好地保持准确性，这可能是因为它能更好地传播信息：

更平滑的激活功能允许信息更深入地流动……注意，随着层数的增加，ReLU快速下降。

如何把Mish放到你自己的网络中？

Mish的PyTorch和FastAI的源代码可以在github的两个地方找到：

1、官方Mish github：https://github.com/digantam98/Mish

2、非官方的Mish使用inline提升速度：https://github.com/lessw2020/mish

3 、我们与Ranger和Mish (MXResNet的一部分)一起的FastAI的记录：https://github.com/lessw2020/Ranger-Mish-ImageWoof-5

复制mish.py到你的相关目录，并包含它，然后将你的网络激活函数指向它：

导入Mish函数，把激活函数设置为Mish

另外，FastAI用户可以使用修改后的XResNet加载和测试，使用Mish而不是ReLU。复制文件mxresnet.py到本地目录或路径：

接下来指定相关的ResNet大小(18、34、50、101、152)，并加载体系结构(cnn_learner，等等)。下面是我如何加载mxresnet50，使用Ranger优化：

总结

ReLU有一些已知的弱点，但是通常它执行起来很轻，并且在计算上很轻。Mish具有较强的理论渊源，在测试中，就训练稳定性和准确性而言，Mish的平均性能优于ReLU。

复杂度只稍微增加了一点(V100 GPU和Mish，相对于ReLU，每epoch增加大约1秒)，考虑到训练稳定性的提高和最终精度的提高，稍微增加一点时间似乎是值得的。

最终，在今年测试了大量新的激活函数后，Mish在这方面处于领先地位，我怀疑它很有可能成为AI未来的新ReLU。

英文原文：https://medium.com/@lessw/meet-mish-new-state-of-the-art-ai-activation-function-the-successor-to-relu-846a6d93471f