卷积层的非线性部分
一、ReLU定义
ReLU：全称 Rectified Linear Units)激活函数
定义
def relu(x):
return x if x >0 else 0
#Softplus为ReLU的平滑版
二、传统sigmoid系激活函数
Sigmoid与人的神经反应很相似，在很多浅层模型上发挥巨大作用
传统神经网络中最常用的两个激活函数，Sigmoid系（Logistic-Sigmoid、Tanh-Sigmoid）被视为神经网络的核心所在。
从数学上来看，非线性的Sigmoid函数对中央区的信号增益较大，对两侧区的信号增益小，在信号的特征空间映射上，有很好的效果。
从神经科学上来看，中央区酷似神经元的兴奋态，两侧区酷似神经元的抑制态，因而在神经网络学习方面，可以将重点特征推向中央区，将非重点特征推向两侧区。
无论是哪种解释，看起来都比早期的线性激活函数(y=x),阶跃激活函数(-1/1,0/1)高明了不少。
梯度消失问题
sigmoid导数值的范围（0, 0.25）
tanh的导数值范围（0， 1）
可以看出sigmoid的弱点：对于深度网络，sigmoid在最好的情况下也会把传递的导数数值缩小至0.25倍，下层网络得到的梯度值明显小很多。这会导致模型训练效果很差。
对于浅层网络这种影响不明显，但对于深度网络，反向传导逐渐变成了一个“漫长累积”的过程。
从训练效果看，以不同激活函数的LeNet模型，训练迭代数与Loss的关系——
sigmoid明显弱一些，tanh与ReLU相近
ReLU的优点：没有出现梯度消失问题
三、ReLU的线性性质
作为一个非线性函数，它还具备线性性质
1 0 0
[ 0 1 0 ] x 向量 = 结果
0 0 0
对线性部分的输出，结果等效于左乘一个非0即1的对角阵（向量负数位置对应对角阵位置上为0），仍可以被看作是一个线性操作
这一性质会使模型的理论分析变得简单
四、ReLU的不足
1：过于宽广的接受域，在接受较大数据时出现不稳定
可以对输入数据上界进行限制，比如ReLU6
2：负数方向
输入数据的负数部分，ReLU会把它置为0，那么梯度也为0，训练过程中负数部分不会更新
解决：一系列的改进函数，比如 Leaky ReLU