如果你刚刚开始学习神经网络，激活函数的原理一开始可能很难理解。但是如果你想开发强大的神经网络，理解它们是很重要的。
但在我们深入研究激活函数之前，先快速回顾一下神经网络架构的基本元素。如果你已经熟悉神经网络的工作原理，可以直接跳到下一节。
(资料图片)
神经网络由称为神经元的链接节点层组成，神经元通过称为突触的加权连接来处理和传输信息。
每个神经元从上一层的神经元获取输入，对其输入的和应用激活函数，然后将输出传递给下一层。
神经网络的神经元!包含输入层、隐藏层和输出层。
输入层只接收来自域的原始数据。这里没有计算，节点只是简单地将信息(也称为特征)传递给下一层，即隐藏层。隐藏层是所有计算发生的地方。它从输入层获取特征，并在将结果传递给输出层之前对它们进行各种计算。输出层是网络的最后一层。它使用从隐藏层获得的所有信息并产生最终值。
为什么需要激活函数。为什么神经元不能直接计算并将结果转移到下一个神经元?激活函数的意义是什么?
激活函数在神经网络中的作用网络中的每个神经元接收来自其他神经元的输入，然后它对输入进行一些数学运算以生成输出。一个神经元的输出可以被用作网络中其他神经元的输入。
如果没有激活函数，神经元将只是对输入进行线性数学运算。这意味着无论我们在网络中添加多少层神经元，它所能学习的东西仍然是有限的，因为输出总是输入的简单线性组合。
激活函数通过在网络中引入非线性来解决问题。通过添加非线性，网络可以模拟输入和输出之间更复杂的关系，从而发现更多有价值的模式。
简而言之，激活函数通过引入非线性并允许神经网络学习复杂的模式，使神经网络更加强大。
理解不同类型的激活函数我们可以将这些函数分为三部分:二元、线性和非线性。
二元函数只能输出两个可能值中的一个，而线性函数则返回基于线性方程的值。
非线性函数，如sigmoid函数，Tanh, ReLU和elu，提供的结果与输入不成比例。每种类型的激活函数都有其独特的特征，可以在不同的场景中使用。
1、Sigmoid / Logistic激活函数Sigmoid激活函数接受任何数字作为输入，并给出0到1之间的输出。输入越正，输出越接近1。另一方面，输入越负，输出就越接近0，如下图所示。
它具有s形曲线，使其成为二元分类问题的理想选择。如果要创建一个模型来预测一封电子邮件是否为垃圾邮件，我们可以使用Sigmoid函数来提供一个0到1之间的概率分数。如果得分超过0.5分，则认为该邮件是垃圾邮件。如果它小于0.5，那么我们可以说它不是垃圾邮件。
函数定义如下:
但是Sigmoid函数有一个缺点——它受到梯度消失问题的困扰。当输入变得越来越大或越来越小时，函数的梯度变得非常小，减慢了深度神经网络的学习过程，可以看上面图中的导数（Derivative）曲线。
但是Sigmoid函数仍然在某些类型的神经网络中使用，例如用于二进制分类问题的神经网络，或者用于多类分类问题的输出层，因为预测每个类的概率Sigmoid还是最好的解决办法。
2、Tanh函数(双曲正切)Tanh函数，也被称为双曲正切函数，是神经网络中使用的另一种激活函数。它接受任何实数作为输入，并输出一个介于-1到1之间的值。
Tanh函数和Sigmoid函数很相似，但它更以0为中心。当输入接近于零时，输出也将接近于零。这在处理同时具有负值和正值的数据时非常有用，因为它可以帮助网络更好地学习。
函数定义如下:
与Sigmoid函数一样，Tanh函数也会在输入变得非常大或非常小时遭遇梯度消失的问题。
3、线性整流单元/ ReLU函数ReLU是一种常见的激活函数，它既简单又强大。它接受任何输入值，如果为正则返回，如果为负则返回0。换句话说，ReLU将所有负值设置为0，并保留所有正值。
函数定义如下:
使用ReLU的好处之一是计算效率高，并且实现简单。它可以帮助缓解深度神经网络中可能出现的梯度消失问题。
但是，ReLU可能会遇到一个被称为“dying ReLU”问题。当神经元的输入为负，导致神经元的输出为0时，就会发生这种情况。如果这种情况发生得太频繁，神经元就会“死亡”并停止学习。
4、Leaky ReLULeaky ReLU函数是ReLU函数的一个扩展，它试图解决“dying ReLU”问题。Leaky ReLU不是将所有的负值都设置为0，而是将它们设置为一个小的正值，比如输入值的0.1倍。他保证即使神经元接收到负信息，它仍然可以从中学习。
函数定义如下:
Leaky ReLU已被证明在许多不同类型的问题中工作良好。
5、指数线性单位(elu)函数ReLU一样，他们的目标是解决梯度消失的问题。elu引入了负输入的非零斜率，这有助于防止“dying ReLU”问题
公式为:
这里的alpha是控制负饱和度的超参数。
与ReLU和tanh等其他激活函数相比，elu已被证明可以提高训练和测试的准确性。它在需要高准确度的深度神经网络中特别有用。
6、Softmax函数在需要对输入进行多类别分类的神经网络中，softmax函数通常用作输出层的激活函数。它以一个实数向量作为输入，并返回一个表示每个类别可能性的概率分布。
softmax的公式是:
这里的x是输入向量，i和j是从1到类别数的索引。
Softmax对于多类分类问题非常有用，因为它确保输出概率之和为1，从而便于解释结果。它也是可微的，这使得它可以在训练过程中用于反向传播。
7、SwishSwish函数是一个相对较新的激活函数，由于其优于ReLU等其他激活函数的性能，在深度学习社区中受到了关注。
Swish的公式是:
这里的beta是控制饱和度的超参数。
Swish类似于ReLU，因为它是一个可以有效计算的简单函数。并且有一个平滑的曲线，有助于预防“dying ReLU”问题。Swish已被证明在各种深度学习任务上优于ReLU。
选择哪一种?首先，需要将激活函数与你要解决的预测问题类型相匹配。可以从ReLU激活函数开始，如果没有达到预期的结果，则可以转向其他激活函数。
以下是一些需要原则:
ReLU激活函数只能在隐藏层中使用。Sigmoid/Logistic和Tanh函数不应该用于隐藏层，因为它们会在训练过程中引起问题。Swish函数用于深度大于40层的神经网络会好很多。输出层的激活函数是由你要解决的预测问题的类型决定的。以下是一些需要记住的基本原则:
回归-线性激活函数二元分类- Sigmoid多类分类- Softmax多标签分类- Sigmoid选择正确的激活函数可以使预测准确性有所不同。所以还需要根据不同的使用情况进行测试。
关键词：
