WOLFRAM

Wolfram 语言与系统参考资料中心

ParametricRampLayer[]

表示一个网络层，计算具有可学习斜率的带泄露 ReLU 激活函数.

ParametricRampLayer[levels]

指定每个维度都有一个特定斜率的那些层.

更多信息和选项
Details and Options Details and Options
范例  
基本范例  
范围  
选项  
LearningRateMultipliers  
"Slope"  
参见
技术笔记
相关指南
历史
按以下格式引用：

ParametricRampLayer

ParametricRampLayer[]

表示一个网络层，计算具有可学习斜率的带泄露 ReLU 激活函数.

ParametricRampLayer[levels]

指定每个维度都有一个特定斜率的那些层.

更多信息和选项

范例

打开所有单元 关闭所有单元

基本范例  (2)

创建一个 ParametricRampLayer：

Wolfram Language code: ParametricRampLayer[]

创建具有指定斜率的 ParametricRampLayer：

Wolfram Language code: prelu = ParametricRampLayer[{}, "Slope" -> 0.25]

对输入向量应用该网络层：

Wolfram Language code: prelu[{{10, 10, 10}, {-10, -10, -10}}]

范围  (3)

初始化一个 ParametricRampLayer，接受长度为 3 的向量，每个维度都有一个斜率系数：

Wolfram Language code: act = NetInitialize@ParametricRampLayer["Input" -> 3]

获取斜率的值：

Wolfram Language code: Normal@NetExtract[act, "Slope"]

对一些输入应用网络层：

Wolfram Language code: act[{{-3, -2, -1}, {0, 1, 2}}]

在数据上学习斜率：

Wolfram Language code: trained = NetTrain[act, RandomReal[{-1, 1}, {10, 3}] -> RandomReal[{-1, 1}, {10, 3}]]
Wolfram Language code: Normal@NetExtract[trained, "Slope"]

初始化接受长度为 3 的向量并使用唯一斜率系数的 ParametricRampLayer：

Wolfram Language code: act = NetInitialize@ParametricRampLayer[{}, "Input" -> 3]
Wolfram Language code: Normal@NetExtract[act, "Slope"]

初始化接受长度为 3 的向量序列的 ParametricRampLayer：

Wolfram Language code: act = NetInitialize@ParametricRampLayer[2, "Input" -> {"Varying", 3}]
Wolfram Language code: Normal@NetExtract[act, "Slope"]

选项  (3)

LearningRateMultipliers  (1)

创建具有固定斜率 0.1 的带泄露的 ReLU：

Wolfram Language code: leakyRelu = ParametricRampLayer[{}, "Slope" -> 0.1, LearningRateMultipliers -> 0, "Input" -> 3]

训练具有这种非线性的网络：

Wolfram Language code: trained = NetTrain[NetChain[{LinearLayer[3], leakyRelu, LinearLayer[{}], LogisticSigmoid}, "Output" -> NetDecoder["Boolean"]], {1 -> False, 2 -> True, 3 -> False, 4 -> True}]

训练后带泄露的 ReLU 依然有同样的斜率值：

Wolfram Language code: NetExtract[trained, {2, "Slope"}]

"Slope"  (2)

创建一个已经用给定斜率值初始化的 ParametricRampLayer：

Wolfram Language code: prelu = ParametricRampLayer["Slope" -> {0.1, 0.2, 0.3}, LearningRateMultipliers -> 0, "Input" -> 3]

对一些数据应用该网络层：

Wolfram Language code: prelu[{{-1, -1, -1}, {1, 1, 1}}]

创建具有独特斜率的带泄漏的 ReLU，保持该斜率值固定不变：

Wolfram Language code: prelu = ParametricRampLayer[{}, "Slope" -> 0.1]

对一些数据应用该网络层：

Wolfram Language code: prelu[{{-1, -1, -1}, {1, 1, 1}}]
Wolfram Research (2020)，ParametricRampLayer，Wolfram 语言函数，https://reference.wolfram.com/language/ref/ParametricRampLayer.html.

文本

Wolfram Research (2020)，ParametricRampLayer，Wolfram 语言函数，https://reference.wolfram.com/language/ref/ParametricRampLayer.html.

CMS

Wolfram 语言. 2020. "ParametricRampLayer." Wolfram 语言与系统参考资料中心. Wolfram Research. https://reference.wolfram.com/language/ref/ParametricRampLayer.html.

APA

Wolfram 语言. (2020). ParametricRampLayer. Wolfram 语言与系统参考资料中心. 追溯自 https://reference.wolfram.com/language/ref/ParametricRampLayer.html 年

BibTeX

@misc{reference.wolfram_2026_parametricramplayer, author="Wolfram Research", title="{ParametricRampLayer}", year="2020", howpublished="\url{https://reference.wolfram.com/language/ref/ParametricRampLayer.html}", note=[Accessed: 15-November-2026]}

BibLaTeX

@online{reference.wolfram_2026_parametricramplayer, organization={Wolfram Research}, title={ParametricRampLayer}, year={2020}, url={https://reference.wolfram.com/language/ref/ParametricRampLayer.html}, note=[Accessed: 15-November-2026]}