激活函数（sigmoid、tanh、ReLU、leaky ReLU）

为了保证神经元的计算包含简洁性和功能性，神经元的计算包括线性计算和非线性计算。

今天主要讲集中非线性计算（即激活函数），包括:

sigmoid

tanh

ReLU

leaky ReLU

1、sigmoid函数

sigmoid函数可以将输出映射到（0,1）的区间，适合做二分类任务。

sigmoid函数公式：

                              

其导数为：

                               

sigmoid函数图形为：

sigmoid函数具有平滑易于求导的优点，但是它的计算量大，反向传播时，容易出现梯度消失的情况，从未无法完成深层网络训练。

2、tanh函数

tanh函数和sigmoid函数十分相似，不同的是tanh会将输出映射到（-1,1）。

tanh函数公式：

                      

tanh函数导数：

                     

tanh函数图形为：

 sigmoid函数和tanh函数是最早被研究的激活函数，tanh是sigmoid函数的改进版，改进了sigmoid函数不是以零为中心的问题，加快了收敛速度。因此在实际使用中，更多地是采用tanh函数。

梯度消失问题：

虽然tanh在一定程度上改进了sigmoid函数，但是观察这两种函数的图像会发现，当自变量很大或很小时，图形的斜率是接近0的。也就是说，当输入绝对值非常大的值时，输出值的变化不明显，这就是梯度消失问题。

3、ReLU

为了解决梯度消失问题，通常采用ReLU（Linear rectification function 修正线性单元）。

ReLU公式：

                

ReLU导数：

              

ReLU图形形状：

4、leaky ReLU

 leaky ReLU是ReLU的一个变种，当x<0时，函数的梯度不为0，而是一个很小的常数 ，如0.01。

leaky ReLU公式：

                          

leaky ReLU导数：

                         

leaky ReLU图形：

 在神经网络中，不同层可以有不同的激活函数，在二元分类任务时，我们可以在最后一层（即输出层）采用sigmoid函数，其它层采用ReLU或leaky ReLU。