Swish背景

发展阶段	典型函数	主要特性	局限性
早期阶段	Sigmoid/Tanh	平滑可导，输出有界	梯度消失问题
现代阶段	ReLU	计算高效，缓解梯度消失	神经元死亡现象
改进阶段	LeakyReLU	改善负区间响应	参数敏感性
新星阶段	Swish/GELU	自适应非线性	计算复杂度略高

Swish激活函数由Google Brain团队在2017年首次提出，论文：PDF

$$\text{Swish}(x)=x\cdot \sigma (\beta x)$$
$$\text{其中}\sigma (z)=\frac{1}{1+e^{-z}}$$

原始版本中 β=1，后续研究发现可训练参数β能获得更好效果。该函数结合了ReLU的线性响应特性和Sigmoid的平滑特性。建议从固定 β=1 开始，当模型参数量>1M时考虑可训练参数版本。

函数形态

令β=1时的函数形态：

• 正区间：${\lim }_{x\to +\infty }\text{Swish}(x)=x$（与ReLU渐近一致）
• 负区间：${\lim }_{x\to -\infty }\text{Swish}(x)=0$（保留有限梯度）
• 原点特性：$\text{Swish}(0)=0\cdot \sigma (0)=0$
• 非单调性：在 $x\in (-1.278,0)$ 区间呈现局部极小值

$$\begin{array}{rl}\frac{d}{dx}\text{Swish}(x)& =\sigma (x)+x\cdot \sigma (x)(1-\sigma (x))\\ & =\sigma (x)(1+x-x\sigma (x))\\ & =\text{Swish}(x)+\sigma (x)(1-\text{Swish}(x))\end{array}$$

导数特性：最大梯度值约为1.099，出现在x≈1.0处；负区间保持非零梯度（解决ReLU死亡问题）；梯度曲线二阶可导，有利于高阶优化方法

参数化Swish变体

后续研究提出可训练参数版本：

$${\text{Swish}}_{\beta }(x)=x\cdot \sigma (\beta x)$$

通过反向传播自动学习β参数，实验显示在图像分类任务中β常收敛到区间 $[1.0,1.5]$

适合场景

深层网络:尤其适合50层以上的深度架构
低初始化场景:对参数初始化敏感性低于ReLU
长期训练:在超过100epoch的训练中优势更明显

计算开销:相比ReLU增加约15%的计算量
硬件优化:需要开启自动混合精度训练(AMP)
初始化策略:建议配合He正态初始化

Pytorch实现

import torch
import torch.nn as nnclass Swish(nn.Module):def forward(self, x):return x * torch.sigmoid(x)

自动求导特性实现内存高效

class MemoryEfficientSwish(nn.Module):class F(torch.autograd.Function):@staticmethoddef forward(ctx, x):ctx.save_for_backward(x)return x * torch.sigmoid(x)@staticmethoddef backward(ctx, grad_output):x = ctx.saved_tensors[0]sigmoid_x = torch.sigmoid(x)return grad_output * (sigmoid_x * (1 + x * (1 - sigmoid_x)))def forward(self, x):return self.F.apply(x)

参数化

class ParametricSwish(nn.Module):def __init__(self, beta=1.0, trainable=True):super().__init__()self.beta = nn.Parameter(torch.tensor(beta), requires_grad=trainable)def forward(self, x):return x * torch.sigmoid(self.beta * x)