sigmoid，softmax，ReLu激活函数_tanh函数解决了sigmoid函数的非零中心问题

每个激活函数的输入都是一个数字，然后对其进行某种固定的数学操作。激活函数给神经元引入了非线性因素，如果不用激活函数的话，无论神经网络有多少层，输出都是输入的线性组合。

激活函数的发展经历了Sigmoid -> Tanh -> ReLU -> Leaky ReLU ->
Maxout这样的过程，还有一个特殊的激活函数Softmax，因为它只会被用在网络中的最后一层，用来进行最后的分类和归一化。

Sigmoid 值范围[0,1]

输入实数值并将其“挤压”到0到1范围内，适合输出为概率的情况。

面试点：

Tanh 值范围[-1,1]

Tanh解决了Sigmoid的输出非0中心的问题，但仍然存在饱和问题。
为了防止饱和，现在主流的做法会在激活函数前多做一步Batch Normalization，尽可能保证每一层网络的输入呈均值较小、0中心的分布。

ReLU

相较于sigmoid和tanh函数，ReLU对于随机梯度下降的收敛有巨大的加速作用；sigmoid和tanh在求导时含有指数运算，而ReLU求导几乎不存在任何计算量。

对比sigmoid类函数主要变化是：

1. 单侧抑制
2. 相对宽阔的兴奋边界
3. 稀疏激活性

存在问题：
ReLU单元比较脆弱并且可能“死掉”，而且是不可逆的，因此导致了数据多样化的丢失。通过合理设置学习率，会降低神经元“死掉”的概率。解释：什么是死亡？假设非常小的数值，放在Relu之后，那么几乎为0，那么在更新的过程中，也是为0，也就是死亡了。

为什么ReLu激活函数是非线性的？

• 

Softmax

Softmax是Sigmoid的扩展，当类别数k＝2时，Softmax回归退化为Logistic回归。

面试补充

1、为什么用Softmax怎么不用Hardmax？反向传播有什么不同？（阿里面试中问过）

• Hardmax就是简单的大于阈值为1，小于阈值为0，反向传播时，导数为0，无法进行反向传播。
• 而Softmax在反向传播时，则可以正常进行梯度更新。

2、激活函数的作用

• 每个激活函数的输入都是一个数字，然后对其进行某种固定的数学操作。激活函数给神经元引入了非线性因素，如果不用激活函数的话，无论神经网络有多少层，输出都是输入的线性组合。通过引入激活函数提高神经网络对模型的表达能力,解决线性模型所不能解决的问题。

3、Relu比Sigmoid的效果好在哪里?

• Sigmoid的导数只有在0的附近时有较好的激活性,而在正负饱和区域的梯度趋向于0,从而产生梯度消失的现象,
• 而relu在大于0的部分梯度为常数,所以不会有梯度消失现象。Relu的导数计算的更快。Relu在负半区的导数为0,所以神经元激活值为负时,梯度为0,此神经元不参与训练,具有稀疏性。

4、为什么用relu就不用sigmoid了

• Sigmoid的导数只有在0的附近时有比较好的激活性,在正负饱和区域的梯度都接近0，会导致梯度弥散。
• 而relu函数在大于0的部分梯度为常数,不会产生梯度弥散现象。Relu函数在负半区导数为0,也就是说这个神经元不会经历训练,就是所谓稀疏性。而且relu函数的导数计算的更快。