리키 렐루 함수

리키 렐루(Leaky ReLU) 함수는 입력 값이 음수이면 0이 아닌 0.001처럼 매우 작은 수를 반환합니다. 이렇게 하면 입력 값이 수렴하는 구간이 제거되어 렐루 함수를 사용할 때 생기는 문제를 해결할 수 있습니다.

▲ 그림 4-11 리키 렐루 활성화 함수와 미분 결과

소프트맥스 함수

소프트맥스(softmax) 함수는 입력 값을 0~1 사이에 출력되도록 정규화하여 출력 값들의 총합이 항상 1이 되도록 합니다. 소프트맥스 함수는 보통 딥러닝에서 출력 노드의 활성화 함수로 많이 사용됩니다. 수식으로 표현하면 다음과 같습니다.

exp(x)(앞의 식에서는 exp(a_k)와 exp(a_i)를 의미)는 지수 함수(exponential function)입니다. n은 출력층의 뉴런 개수, y_k는 그중 k번째 출력을 의미합니다. 즉, 이 수식처럼 소프트맥스 함수의 분자는 입력 신호 a_k의 지수 함수, 분모는 모든 입력 신호의 지수 함수 합으로 구성됩니다.

다음은 렐루 함수와 소프트맥스 함수를 텐서플로 2에서 구현하는 코드입니다.

from tensorflow.keras import layers
model = tf.keras.Sequential()
model.add(layers.Dense(64, activation='relu')) ------유닛 64개를 가진 완전연결층을 모델에 추가합니다.
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(10, activation='softmax')) ------ 출력 유닛 열 개를 가지면서 소프트맥스 함수를 사용하는 출력층을 추가합니다.