1.激活函数的作用
在神经网络中，激活函数的作用是能够给神经网络加入一些非线性因素，使得神经网络可以更好地解决较为复杂的问题。
比如在下面的这个问题中：
如上图所示，这是一个简单的线性分类问题，只需要一条直线就可以很好地分类。当我们碰到下图问题时，无法通过一条直线将样本分类出来，需要我们加入非线性因素才可以将样本分类好，而我们的激活函数就是我们要加入的非线性因素。
2.常见的激活函数
在此之前要先弄明白什么是硬饱和什么是软饱和：
https://blog.csdn.net/donkey_1993/article/details/81662065
a) Sigmoid函数
Sigmoid函数：
Sigmoid导数：
Sigmoid函数的优点：1.求导容易。 2.Sigmoid函数的输出映射在(0,1)之间，单调连续输出范围有限，优化稳定可以用作输出层。
缺点：1.由于其软饱和性，容易造成梯度消失问题。2.其输出没有以0为中心。
b) Tanh函数
Tanh函数：
Tanh函数导数：
Tanh函数的优点：1.收敛速度比Sigmoid函数快。 2. 其输出以0为中心。
缺点：还是出现软饱和现象，梯度消失问题并没有解决。
c）Relu函数
Relu函数：
Relu导数：
Relu函数的优点：1.在SGD（随机梯度下降算法）中收敛速度够快。2.不会出现像Sigmoid那样梯度消失问题。3.提供了网络稀疏表达能力。4.在 无监督训练中也有良好的表现。
缺点：1.不以0为中心。2.前向传导（forward pass）过程中，如果 x < 0，则神经元保持非激活状态，且在后向传导（backward pass）中「杀死」梯度。这样权重无法得到更新，网络无法学习。神经元死亡是不可逆的。
d）LReLU、PReLU与RReLU函数
通常在LReLU和PReLU中，我们定义一个激活函数。
LRelu函数：
公式：
LRelu的优点：缓解了Relu神经元死亡的问题。
PRelu函数：
公式：
其中
是超参数。这里引入了一个随机的超参数
，它可以被学习，因为你可以对它进行反向传播。这使神经元能够选择负区域最好的梯度，有了这种能力，它们可以变成 ReLU 或 Leaky ReLU。负值部分的斜率是根据数据来定的，而非预先定义的。
RRelu函数：
RReLU也是Leaky ReLU的一个变体。在RReLU中，负值的斜率在训练中是随机的，在之后的测试中就变成了固定的了。RReLU的亮点在于，在训练环节中，aji是从一个均匀的分布U(I,u)中随机抽取的数值。
RReLU中的aji是一个在一个给定的范围内随机抽取的值，这个值在测试环节就会固定下来。
e）ELU激活函数：
右侧的线性部分能够缓解梯度消失,左侧的软饱和能够对于输入变化鲁棒.而且收敛速度更快.