Leaky ReLUグラフ・負側傾きaと最大201点の関数表

使い方

1. xの初期値、増分、点数を入力します。既定値は−4から1まで0.05刻みの101点です。
2. 負側傾きaを入力します。典型例0.01のほか、0ならReLU、1なら恒等関数になります。
3. 折れ点0の左右をグラフで確認し、表で負側のf(x)=a×xと正側のf(x)=xを検算します。

計算式・考え方

f(x)=x（x>0）、f(x)=a×x（x≤0）です。参照ページの境界に合わせてx=0はa×x側へ入れますが、どの有限aでも結果は0です。標本点ごとに比較して枝を一つだけ評価します。

注意事項

• Leaky ReLUは負の入力を全て0にせず、係数aを掛けた直線として残します。a=0.01ならx=−4で−0.04、x=0で0、x=1で1です。既定格子はこの三つを含み、負側の小さな傾きと正側の傾き1を比較できます。
• a=0では通常のReLU、a=1では全域でf(x)=xです。参照ページはaの符号や上限を限定せず、a<0やa>1も数式として計算します。本ページも忠実性のため−10〜10を許可しますが、典型的な機械学習層の推奨範囲を示すものではありません。
• a<0では負のxとの積が正になり、a>1では負側の絶対傾きが正側より大きくなります。グラフ名がLeaky ReLUでも、パラメータ設定によって一般的な形と異なるため、TSVや図を共有するときはaの値も必ず併記してください。
• 折れ点x=0で関数は連続ですが、a≠1なら左右微分は一致しません。本ページは関数値の系列だけを表示し、x=0の微分を0、a、1のいずれかへ決めません。自動微分フレームワークの境界勾配は個別仕様を確認してください。
• ONNXのLeakyReluはalpha既定値0.01を持ちます。PyTorch等ではnegative_slopeと呼ばれ、モデルに保存された値が既定値と異なる場合があります。グラフ照合では入力xだけでなくaと境界条件を一致させてください。
• 活性化関数の定義はPyTorch公式torch.nnドキュメントのReLU、Tanh、Sigmoid、Softsign、Softplus、LeakyReLUを2026年7月13日に確認しました。テンソル演算のAPIではなく、各要素へ適用される実数関数式だけを系列の根拠にしています。
• 相互運用仕様はONNX公式Operatorsドキュメントを2026年7月13日に照合しました。LeakyReluのalpha既定値0.01、Softplusのlog(exp(x)+1)、Relu、Sigmoid、Tanhの要素単位定義を確認し、倍精度で安定な同値式へ変形しています。
• サンプル番号iを0から点数−1まで取り、x_i=x初期値+i×x増分で作ります。点数には初期値と最終点の両方を含みます。増分を負にするとxは降順になり、同じ関数を右から左へ確認できます。増分0は参照ページで表列が崩れるため明示的に拒否します。
• 点数は1〜201へ有界化しています。線は隣接する計算点を視覚的に結ぶもので、点の間を追加評価した結果ではありません。急な折れ曲がりや飽和域を調べるときは、区間を狭めるか点数を増やし、重要なxが格子点に含まれるよう初期値と増分を選んでください。
• グラフが主結果ですが、色や線だけに依存しない同値のデータ表を必ず併記し、全行をTSVとしてコピーできます。表のxと各系列値が正本で、グラフはその可視化です。スクリーンリーダーでは結果の要約、列見出し、行データの順に確認できます。
• 式はschema v4のsampled-series-v1で各xを独立評価します。許可制ASTと既存named functionだけを使い、eval、new Function、外部API、CDN、fetch、XHR、WebSocketへ接続しません。入力と生成系列は利用者の端末内だけで処理され、サーバーや第三者へ送信・保存されません。
• グラフの形だけで学習性能、確率モデルの適合、工学現象の妥当性は判断できません。関数名、パラメータ、入力尺度、浮動小数点精度を合わせ、必要なら表の代表点を別実装と数値比較してください。低精度テンソルや量子化モデルでは倍精度の本ページと末尾桁や飽和開始位置が異なる場合があります。
• 実数関数を有限格子で標本化した学習・検算用グラフです。モデル性能、統計的適合性、設計安全性を判定しません。

よくある質問