Deep Learning using Rectified Linear Units (ReLU)

• 类型：arxiv
• 标识：1803.08375
• 链接：https://arxiv.org/abs/1803.08375
• 主题：evaluation
• 主分类：engineering
• 形态：method
• 被引：2509
• 被引来源：OpenAlex
• S2被引：59
• OpenAlex被引：2509
• 影响力被引：0
• TLDR：This study confirms a statistically significant performance variance among activations, thus reaffirming the necessity of non-saturating functions in deep architectures, and restores proper historical attribution to prior literature.
• OpenAlex ID：W2792643794
• OpenAlex DOI：10.48550/arxiv.1803.08375
• DOI：10.48550/arxiv.1803.08375
• DOI来源：OpenAlex
• 开放获取：green
• 开放获取链接：https://arxiv.org/pdf/1803.08375
• OpenAlex更新：2026-08-25
• 待LLM分类：否
• 成熟度：production
• 场景：activation function、deep learning
• 标题中文：Deep Learning using Rectified Linear Units (ReLU)
• TLDR中文：本研究证实了激活函数之间存在统计显著的性能差异，从而再次确认了非饱和函数在深度架构中的必要性，并恢复了对此前文献的恰当历史归属。
• 来源文件：
• [OpenAlex discover]
• [S2 enrich]