So implementieren Sie die ReLU-Funktion in Numpy

Wenn Sie nichts dagegen haben, dass x geändert wird, verwenden Sie np.maximum(x, 0, x). Darauf wurde von Daniel S hingewiesen. Es ist viel schneller und weil die Leute es vielleicht übersehen, werde ich es als Antwort erneut veröffentlichen. Hier ist der Vergleich:

max method:
10 loops, best of 3: 238 ms per loop
multiplication method:
10 loops, best of 3: 128 ms per loop
abs method:
10 loops, best of 3: 311 ms per loop
in-place max method:
10 loops, best of 3: 38.4 ms per loop

Ich habe mit Numpy eine schnellere Methode für ReLU gefunden. Sie können auch die fantastische Indexfunktion von numpy verwenden.

phantasie-Index:

20,3 ms ± 272 µs pro Schleife (Mittelwert ± Standardabweichung von 7 Durchläufen, jeweils 10 Schleifen)

>>> x = np.random.random((5,5)) - 0.5 
>>> x
array([[-0.21444316, -0.05676216,  0.43956365, -0.30788116, -0.19952038],
       [-0.43062223,  0.12144647, -0.05698369, -0.32187085,  0.24901568],
       [ 0.06785385, -0.43476031, -0.0735933 ,  0.3736868 ,  0.24832288],
       [ 0.47085262, -0.06379623,  0.46904916, -0.29421609, -0.15091168],
       [ 0.08381359, -0.25068492, -0.25733763, -0.1852205 , -0.42816953]])
>>> x[x<0]=0
>>> x
array([[ 0.        ,  0.        ,  0.43956365,  0.        ,  0.        ],
       [ 0.        ,  0.12144647,  0.        ,  0.        ,  0.24901568],
       [ 0.06785385,  0.        ,  0.        ,  0.3736868 ,  0.24832288],
       [ 0.47085262,  0.        ,  0.46904916,  0.        ,  0.        ],
       [ 0.08381359,  0.        ,  0.        ,  0.        ,  0.        ]])

Hier ist mein Maßstab:

import numpy as np
x = np.random.random((5000, 5000)) - 0.5
print("max method:")
%timeit -n10 np.maximum(x, 0)
print("max inplace method:")
%timeit -n10 np.maximum(x, 0,x)
print("multiplication method:")
%timeit -n10 x * (x > 0)
print("abs method:")
%timeit -n10 (abs(x) + x) / 2
print("fancy index:")
%timeit -n10 x[x<0] =0

max method:
241 ms ± 3.53 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
max inplace method:
38.5 ms ± 4 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
multiplication method:
162 ms ± 3.1 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
abs method:
181 ms ± 4.18 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
fancy index:
20.3 ms ± 272 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

Sie können es viel einfacher und ohne Nummer machen:

def ReLU(x):
    return x * (x > 0)

def dReLU(x):
    return 1. * (x > 0)

Richard Möhns Vergleich ist nicht fair.
Wie Andrea Di Biagios Kommentar ändert die In-Place-Methode np.maximum(x, 0, x) x in der ersten Schleife.
.__ Hier ist mein Benchmark: 

import numpy as np

def baseline():
    x = np.random.random((5000, 5000)) - 0.5
    return x

def relu_mul():
    x = np.random.random((5000, 5000)) - 0.5
    out = x * (x > 0)
    return out

def relu_max():
    x = np.random.random((5000, 5000)) - 0.5
    out = np.maximum(x, 0)
    return out

def relu_max_inplace():
    x = np.random.random((5000, 5000)) - 0.5
    np.maximum(x, 0, x)
    return x 

Timing es: 

print("baseline:")
%timeit -n10 baseline()
print("multiplication method:")
%timeit -n10 relu_mul()
print("max method:")
%timeit -n10 relu_max()
print("max inplace method:")
%timeit -n10 relu_max_inplace()

Holen Sie sich die Ergebnisse: 

baseline:
10 loops, best of 3: 425 ms per loop
multiplication method:
10 loops, best of 3: 596 ms per loop
max method:
10 loops, best of 3: 682 ms per loop
max inplace method:
10 loops, best of 3: 602 ms per loop

In-Place Maximum-Methode ist nur ein bisschen schneller als die Maximum-Methode. Möglicherweise wird die Zuweisung der Variablen für 'out' weggelassen. Und es ist immer noch langsamer als die Multiplikationsmethode.
Und seitdem Sie die ReLU-Funktion implementieren. Möglicherweise müssen Sie das 'x' durch relu für backprop speichern. Z.B.: 

def relu_backward(dout, cache):
    x = cache
    dx = np.where(x > 0, dout, 0)
    return dx

Ich empfehle Ihnen, die Multiplikationsmethode zu verwenden.

numpy hatte nicht die Funktion von relu, aber Sie definieren es selbst wie folgt:

def relu(x):
    return np.maximum(0, x)

zum Beispiel:

arr = np.array([[-1,2,3],[1,2,3]])

ret = relu(arr)
print(ret) # print [[0 2 3] [1 2 3]]

Dies ist eine genauere Implementierung:

def ReLU(x):
    return abs(x) * (x > 0)

Wenn wir 3 Parameter (t0, a0, a1) für Relu haben, wollen wir dies implementieren

if x > t0:
    x = x * a1
else:
    x = x * a0

Wir können den folgenden Code verwenden:

X = X * (X > t0) * a1 +  X * (X < t0) * a0

X gibt es eine Matrix.