激活函数简介

在说激励函数之前，我想先说一下softmax这个函数。

我之前一直认为softmax是激励函数，但是感谢我的室友建哥纠正了我（什么时候我的深度学习可以像建哥一样优秀，我就满足了）。softmax模型可以用来给不同的对象分配概率，将n分类的n个输出，变为满足以下概率分布要求的函数。简单点说，softmax函数是一个分类函数。

激活函数：运行时激活神经网络中某一部分神经元，将激活信息向后传入下一层的神经网络。在很多情况下，神经网络之所以能解决非线性问题（语音，图像识别），本质上就是激活加入了非线性因素，弥补了线性模型的表达力，把“激活的神经元特征”通过函数保留并映射到下一层。

1. Sigmoid函数的有点在于，他的输出映射在（0，1）内，单调连续，非常适合作用输出层，并且求导比较容易（x*（1-x）），缺点是容易产生梯度消失。
2. tanh收敛速度比sigmoid快，但是也无法解决梯度消失的问题。
   tan h=(1-e^-2x)/(1+e^-2x)
3. rule：f（x）=max（x，0），softplus：f（x）=log（1+exp（x））
   rule在x<0时导数为0，在x>0时导数为1，所以rule在x>0时保持梯度不衰减，从而缓解了梯度消失问题。在机器学习中有一句话，天下没有免费的午餐。我们很多时候都会用rule函数，但是rule会随着训练的进行导致部分权重无法更新，神经元死亡。