1 引言

在前面的文章中已经介绍了介绍了一系列激活函数 (Sigmoid、Tanh、ReLU、Leaky ReLU、PReLU、Swish、ELU、SELU、GELU、Softmax、Softplus、Mish、Maxout、HardSigmoid、HardTanh、Hardswish、HardShrink、SoftShrink、TanhShrink、RReLU、CELU、ReLU6、GLU、SwiGLU、GTU、Bilinear、ReGLU、GEGLU、Softmin、Softmax2d、Logsoftmax、Identity、LogSigmoid、Bent Identity、Absolute、Bipolar、Bipolar Sigmoid、Sinusoid、Cosine、Arcsinh、Arccosh、Arctanh、LeCun Tanh、TanhExp、Gaussian 、GCU、ASU、SQU、NCU、DSU、SSU、SReLU、BReLU、PELU、Phish、RBF、SQ-RBF)。在这篇文章中，会接着上文提到的众多激活函数继续进行介绍，给大家带来更多不常见的激活函数的介绍。这里放一张激活函数的机理图：
在这里插入图片描述

2 激活函数

2.1 Inverse Square Root Unit （ISRU）激活函数

Inverse Square Root Unit（ISRU）是一种非线性激活函数，它在神经网络中用于引入非线性变换。其数学表达式和数学图像分别如下所示：
$\frac{x}{\sqrt{1+ax^2}}$ 在这里插入图片描述
优点：

非线性性质： ISRU 激活函数引入了非线性性质，有助于神经网络模型捕捉数据中的复杂模式。
平滑性： ISRU 在输入值的范围内具有连续和平滑的性质，这对于梯度计算和反向传播有益。
参数调整：通过调整参数 α，您可以自由地控制激活函数的形状，使其适应不同的数据分布和任务需求。
避免梯度消失：相对于一些激活函数，如 Sigmoid 和 Tanh，ISRU 在输入较大的范围内可以避免梯度消失问题。

缺点：

计算复杂性： ISRU 涉及平方根的计算，这可能在计算上相对于一些简单的激活函数（如 ReLU）而言较为复杂。
参数调整：调整参数 α 需要更多的实验和调优，以找到最佳参数设置。
可解释性： ISRU 不是一个广泛使用的激活函数，因此可能需要更多的背景知识来解释其作用和效果。

该激活函数在当前环境下很少使用。。。。

2.2 Inverse Square Root Linear Unit (ISRLU)激活函数

Inverse Square Root Linear Unit（ISRLU）是一种非线性激活函数，它是 Rectified Linear Unit（ReLU）的一种扩展。ISRLU 激活函数引入了一个可学习的参数，使得在输入为负时，激活函数的输出与输入之间存在非线性关系。其数学表达式和数学图像分别如下所示：
$\begin{cases} \frac{x}{\sqrt{1+ax^2}}, & \text{if } x < 0 \\ x, & \text{if } x \geq 0 \\ \end{cases}$ 在这里插入图片描述
优点：