PReLU：又一个单层解决XOR问题的方案
原文中文，约400字，阅读约需1分钟。发表于：。本研究解决了单层神经网络在处理XOR问题时的不足，提出使用参数化修正线性单元（PReLU）激活函数的新方法。研究表明，单层PReLU网络仅用三个可学习参数，在更广泛的学习率下可实现100%的成功率，具有显著的实用价值。
本研究提出了修正线性单元（rectifier）的神经网络在图像分类中的应用，并通过广义化的参数修正线性单元（PReLU）和健壮的初始化方法，能够训练极深层的网络。在ImageNet 2012数据集上，实现了4.94%的top-5测试错误率，相对于ILSVRC 2014的冠军GoogLeNet的6.66%，相对改进26%。这是首次在视觉识别挑战中超越了人类水平表现（5.1%）。
