一、关于激活函数
设置激活函数是为了使之能拟合更多的情况，如果仅仅是线性加权那么无论多少层仍然相当于是线性组合，拟合效果十分有限。而不同的激活函数无论在分类效果上还是运算速度上都是不同的，本文主要对常见的激活函数进行总结，分析其特别以供选择。当然，介绍之前肯定要知道，没有绝对好的激活函数，深度学习问题也是具体问题具体分析的。
二、常见激活函数介绍
1、Sigmoid
函数解析式：
函数图像：
特点：数据被变换在0和1之间，对于特别小的负数输出为0，特别大的正数输出为1。
缺点：
（1）深度神经网络反向传播过程中容易导致梯度消失
这是因为sigmoid函数的导数值较小(0, 0.25]，深度网络中如果不断累积梯度将接近于0，导致梯度消失。不求导直接从图像也可以看出，在左右两侧变换较为平缓，很容易发生梯度消失
（2）幂函数计算量较大，而且反向传播求梯度时涉及除法
（3）函数输出不是以0为中心的，这样会使权重更新效率降低
如果函数输出总是大于0的，那么下一个节点相当于有一个正数偏置，但实际上网络里每层可能会引入一些normalization操作，并且到最后也不能说bias对最终的结果一定不好。
2、Tanh
函数解析式：
函数图像：
特点：解决了sigmoid函数不是zero-centered输出问题，然而，梯度消失和幂运算的问题仍然存在。
可以看出tanh(x)的梯度消失问题比sigmoid要轻，梯度如果过早消失,收敛速度较慢.
缺点：①梯度消失②幂运算
3、Relu
函数解析式：
函数图像：
特点：
- 解决了gradient vanishing问题 (在正区间)
- 计算速度非常快，只需要判断输入是否大于0
- 收敛速度远快于sigmoid和tanh
- 并不是全区间可导
缺点： - 输出不是zero-centered
- Dead ReLU Problem
ReLU在负数区域被kill的现象叫做dead relu。ReLU在训练的时很“脆弱”。在x<0时，梯度为0。这个神经元及之后的神经元梯度永远为0，不再对任何数据有所响应，导致相应参数永远不会被更新。
产生这种现象的两个原因：参数初始化问题；learning rate太高导致在训练过程中参数更新太大。
解决方法：采用Xavier初始化方法，以及避免将learning rate设置太大或使用adagrad等自动调节learning rate的算法。
这里通过和老师交流，得到一点心得。看起来relu会将小于0的部分丢失掉，但是如果令节点的数量翻一番，w为对应的负值，那么会极大程度保留原来小于0的部分，如果最终模型并没有保留，说明优化还有更好的解决方案。总之非线性的效果ReLU在其计算量下已经能很好的保留。ReLU(w_1 * x) - ReLU(-w_1 * x) = w_1 * x
4、Leaky ReLU & PReLU
函数解析式：
函数图像：
特点：为了解决Dead ReLU Problem而提出的激活函数。理论上来讲，Leaky ReLU有ReLU的所有优点，外加不会有Dead ReLU问题，但是在实际操作当中，并没有完全证明Leaky ReLU总是好于ReLU。如果a不是固定值而是待学习的参数，那么称为Parametric ReLU。
5、ELU
函数解析式：
函数图像：
特点：ELU也是为解决ReLU存在的问题而提出，显然，ELU有ReLU的基本所有优点，并且不会有Dead ReLU问题，输出的均值接近0，zero-centered。理论上虽然好于ReLU，但在实际使用中目前并没有好的证据ELU总是优于ReLU。
缺点：计算量稍大
6、MaxOut
函数解析式：
这张图表示的比较清晰，在节点间多加了一层，求k个线性激活值最终取最大值形成非线性激活值
特性：
- Maxout的拟合能力非常强，可以拟合任意的凸函数
- Maxout具有ReLU的所有优点，线性、不饱和性
- 同时没有ReLU的一些缺点。如：神经元的死亡
缺点：每个神经元中有两组(w,b)参数，那么参数量就增加了，这就导致了整体参数的数量激增。
7、其他
上面介绍的主要是比较经典的激活函数，这里举两个比较新的激活函数的例子。
三、激活函数的选择
激活函数的选择目前还是凭借经验具体问题具体分析。目前比较主流的是ReLU系列，计算速度快，效果也好一些。而sigmoid因为存在的问题现在用的不是很多，可以考虑tanh，一般来说sigmoid函数除了用在二元分类的输出层，其他情况建议不要使用。然后可以优先选择zero-centered的数据与输出，可以加快模型收敛，但也不绝对。对于ReLU要注意“dead” 神经元。另外ReLU函数只能在隐藏层中使用。
总结一下，可以从ReLU函数开始，如果ReLU函数没有提供最优结果，再尝试其他激活函数。
参考资料
https://blog.csdn.net/tyhj_sf/article/details/79932893
https://www.cnblogs.com/makefile/p/activation-function.html
https://blog.csdn.net/hjimce/article/details/50414467
