YOLOv5-4.0-activations.py 源代码导读（激活函数）

YOLOv5介绍

YOLOv5为兼顾速度与性能的目标检测算法。笔者将在近期更新一系列YOLOv5的代码导读博客。YOLOv5为2021.1.5日发布的4.0版本。
YOLOv5开源项目github网址
源代码指南摘要 URL
本博客导读的代码为utils文件夹下的activations.py最后更新日期为2021.1.7

激活函数 – 数学表达式

首先介绍YOLOv5激活函数中涉及到的函数其具体形式:
Sigmoid激活函数：

Swish激活函数：

ReLU激活函数：

ReLU6限制上述函数输出在6以内：

Hard-swish激活函数：

Swish激活函数求导过程()：


tanh函数：

softplus函数(ReLU函数的平滑版）：

Mish激活函数：

Mish激活函数求导过程：





然后：

activations.py

该文件定义了Yolov5中的各种激活函数。各种激活函数的表达形式及求导过程均总结如上。

# Activation functions
#定义了网络架构中使用的激活函数

import torch
import torch.nn as nn
import torch.nn.functional as F

swish类定义了Swish激活函数

# Swish https://arxiv.org/pdf/1905.02244.pdf ---
class Swish(nn.Module):  #Swish激活函数
    @staticmethod
    def forward(x): # 此处beta定为1
        return x * torch.sigmoid(x)

hardswish类定义了hardswish激活函数

class Hardswish(nn.Module):  # nn.Hardswish()的输出友好版本
    @staticmethod
    def forward(x): #数学形式见上文
        # return x * F.hardsigmoid(x)  # for torchscript and CoreML
        return x * F.hardtanh(x + 3, 0., 6.) / 6.  # for torchscript, CoreML and ONNX

高效应用swish激活函数的类

class MemoryEfficientSwish(nn.Module): #节省内存的Swish 不采用自动求导
    class F(torch.autograd.Function):
        @staticmethod
        def forward(ctx, x):
            #save_for_backward会保留x的全部信息(一个完整的外挂Autograd Function的Variable), 
            #并提供避免in-place操作导致的input在backward被修改的情况.
            #in-place操作指不通过中间变量计算的变量间的操作。
            ctx.save_for_backward(x)
            return x * torch.sigmoid(x)

        @staticmethod
        def backward(ctx, grad_output):
            #此处saved_tensors[0] 作用同上文 save_for_backward
            x = ctx.saved_tensors[0]
            sx = torch.sigmoid(x)
            # 返回该激活函数求导之后的结果 求导过程见上文
            return grad_output * (sx * (1 + x * (1 - sx))) 

    def forward(self, x): #应用前向传播方法
        return self.F.apply(x)

Mish类定义了Mish激活函数

# Mish https://github.com/digantamisra98/Mish ----
class Mish(nn.Module):   #这里定义了Mish激活函数
    @staticmethod           #数学公式见上
    def forward(x):
        return x * F.softplus(x).tanh()

高效应用Mish激活函数的类

class MemoryEfficientMish(nn.Module): # 节省内存版
    class F(torch.autograd.Function):        #该类形式内容同上一个类
        @staticmethod
        def forward(ctx, x):
            ctx.save_for_backward(x)
            return x.mul(torch.tanh(F.softplus(x)))  # x * tanh(ln(1 + exp(x)))

        @staticmethod
        def backward(ctx, grad_output):
            x = ctx.saved_tensors[0]
            sx = torch.sigmoid(x)    # sx = sigmoid(x)
            fx = F.softplus(x).tanh() # fx = tanh(softplus(x))
            return grad_output * (fx + x * sx * (1 - fx * fx))

    def forward(self, x):
        return self.F.apply(x)

定义了FReLU激活函数

# FReLU https://arxiv.org/abs/2007.11824 ---
# 旷视研究院2020ECCV 提出的激活函数 （形式真的简单）
class FReLU(nn.Module):
    def __init__(self, c1, k=3):  # ch_in, kernel
        super().__init__()
        self.conv = nn.Conv2d(c1, c1, k, 1, 1, groups=c1)
        self.bn = nn.BatchNorm2d(c1)

    def forward(self, x):
        return torch.max(x, self.bn(self.conv(x)))