Mish：一个新的SOTA激活函数，ReLU的继任者
以下文章来源于AI公园 ，作者ronghuaiyang
专注分享干货的AI公众号，图像处理，NLP，深度学习，机器学习，应有尽有。希望大家能在AI的乐园中快乐玩耍。
点击上方“CVer”，选择加"星标"或“置顶”
重磅干货，第一时间送达
本文转载自：AI公园
导读作者：Less Wright
编译：ronghuaiyang
对激活函数的研究一直没有停止过，ReLU还是统治着深度学习的激活函数，不过，这种情况有可能会被Mish改变。
Diganta Misra的一篇题为“Mish: A Self Regularized Non-Monotonic Neural Activation Function”的新论文介绍了一个新的深度学习激活函数，该函数在最终准确度上比Swish(+.494%)和ReLU(+ 1.671%)都有提高。
我们的小型FastAI团队使用Mish代替ReLU，打破了之前在FastAI全球排行榜上准确性得分记录的一部分。结合Ranger优化器，Mish激活，Flat + Cosine 退火和自注意力层，我们能够获得12个新的排行榜记录！
我们12项排行榜记录中的6项。每条记录都是用Mish而不是ReLU。(蓝色高亮显示，400 epoch的准确率为94.6，略高于我们的20 epoch的准确率为93.8:)
作为我们自己测试的一部分，对于ImageWoof数据集的5 epoch测试，我们可以说：
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个激活函数进行了比较。
我做了一个Mish的PyTorch实现，用它替换了ReLU，没有做任何其他更改，并在困难的ImageWoof数据集上使用广泛的优化器(Adam、Ranger、RangerLars、Novograd等)对它进行了测试。
我发现Mish在训练稳定性、平均准确率(1-2.8%)、峰值准确率(1.2% - 3.6%)等方面都有了全面的提高，与本文的结果相匹配或超过。
下面是Ranger Optimizer + Mish与FastAI排行榜相比：
这是通过简单地在FastAI的XResNet50中使用Mish替换ReLU，并使用各种优化器(上面的Ranger结果)运行来实现的。没有任何其他变化，包括学习率。注意：优化Mish的学习率很可能会获得更好的结果。本文提出了相对于ReLU而言，较低的学习率供参考。
Mish检查了理想的激活函数应该是什么(平滑、处理负号等)的所有内容，并提出了一套泛化的初始测试。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，到基于更真实的数据集的测试。因此，Mish可能最终会为深度学习实践者提供一种新的激活功能，并有很大的机会超过长期占据主导地位的ReLU。
我通过下面的PyTorch代码链接提供了Mish，以及一个修改过的XResNet (MXResNet)，这样你就可以快速地将Mish放入你的代码中，并立即进行测试！
让我们后退一步，了解什么是Mish，为什么它可能改进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的代码会更简单一点，简单总结一下，Mish=x * tanh(ln(1+e^x))。
其他的激活函数，ReLU是x = max(0,x)，Swish是x * sigmoid(x)。
PyTorch的Mish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：
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：
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：
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。