【机器学习与深度学习理论要点】02.什么是激活函数，神经网络中常用的激活函数都有哪些，各自的特点？

激活函数：

神经网络中将输入信号的总和转换为输出信号的函数，激活函数将多层感知机输出转换为非线性，使得神经网络可以任意逼近任何非线性函数，使神经网络可以应用到众多的非线性模型中。

常用的激活函数及特点：

1）sigmoid

① 定义：sigmoid函数也叫Logistic函数，用于隐层神经元输出，能将$(-\infty ,+\infty )$的数值映射到(0,1)的区间，可以用来做二分类。表达式为：
$$f(x)=\frac{1}{1+e^{-x}}$$

② 特点

• 优点：关于（0,0.5）对称，平滑、易于求导
• 缺点：激活函数计算量大，反向传播求误差梯度时，求导涉及除法；反向传播时，很容易就会出现梯度消失

2）tanh

①定义：双曲线正切函数，表达式为：
$$f(x)=\frac{1-e^{-2x}}{1+e^{-2x}}$$
②特点：

• 优点：关于坐标原点对称，平滑，易于求导，输出均值为0，收敛速度比sigmoid快，从而可以减少迭代次数。
• 缺点：很容易出现梯度消失。

3）Relu

①定义：修正线性单元，其表达式为：
$$f(x)=\{\begin{array}{ll}x& (x>0)\\ 0& (x<=0)\end{array}$$
②特点：

• 优点：计算过程简单，避免了梯度爆炸和梯度消失。
• 缺点：小于等于0时无输出。

前两者sigmoid/tanh比较常见于全连接层，后者relu常见于卷积层