正如我们的人脑一样，在一个层次上和神经元网络中有数百万个神经元，这些神经元通过一种称之为synapses（突触）的结构彼此紧紧相连。它可以通过 Axons（轴突），将电信号从一个层传递到另一个层。这就是我们人类学习事物的方式。 每当我们看到、听到、感觉和思考时，一个突触（电脉冲）从层次结构中的一个神经元被发射到另一个神经元，这使我们能够从我们出生的那一天起，就开始学习、记住和回忆我们日常生活中的东西。
好的，接下来我保证大家看到的不再是生物学领域的知识了。
什么是激活函数，它在神经网络模型中是如何使用的？
激活函数（Activation functions）对于人工神经网络模型去学习、理解非常复杂和非线性的函数来说具有十分重要的作用。它们将非线性特性引入到我们的网络中。其主要目的是将A-NN模型中一个节点的输入信号转换成一个输出信号。该输出信号现在被用作堆叠中下一个层的输入。
而在 NN中的具体操作是这样的，我们做输入（X）和它们对应的权重（W）的乘积之和，并将激活函数f（x）应用于其获取该层的输出并将其作为输入馈送到下一个层。
问题是，为什么我们不能在不激活输入信号的情况下完成此操作呢？
如果我们不运用激活函数的话，则输出信号将仅仅是一个简单的线性函数。线性函数一个一级多项式。现如今，线性方程是很容易解决的，但是它们的复杂性有限，并且从数据中学习复杂函数映射的能力更小。一个没有激活函数的神经网络将只不过是一个线性回归模型（Linear regression Model）罢了，它功率有限，并且大多数情况下执行得并不好。我们希望我们的神经网络不仅仅可以学习和计算线性函数，而且还要比这复杂得多。同样是因为没有激活函数，我们的神经网络将无法学习和模拟其他复杂类型的数据，例如图像、视频、音频、语音等。这就是为什么我们要使用人工神经网络技术，诸如深度学习（Deep learning），来理解一些复杂的事情，一些相互之间具有很多隐藏层的非线性问题，而这也可以帮助我们了解复杂的数据。
> 那么为什么我们需要非线性函数？
非线性函数是那些一级以上的函数，而且当绘制非线性函数时它们具有曲率。现在我们需要一个可以学习和表示几乎任何东西的神经网络模型，以及可以将输入映射到输出的任意复杂函数。神经网络被认为是通用函数近似器（Universal Function Approximators）。这意味着他们可以计算和学习任何函数。几乎我们可以想到的任何过程都可以表示为神经网络中的函数计算。
而这一切都归结于这一点，我们需要应用激活函数f（x），以便使网络更加强大，增加它的能力，使它可以学习复杂的事物，复杂的表单数据，以及表示输入输出之间非线性的复杂的任意函数映射。因此，使用非线性激活函数，我们便能够从输入输出之间生成非线性映射。
形象的理解激活函数，可以参考知乎：https://zhuanlan.zhihu.com/p/25279356
激活函数的另一个重要特征是：它应该是可以区分的。我们需要这样做，以便在网络中向后推进以计算相对于权重的误差（丢失）梯度时执行反向优化策略，然后相应地使用梯度下降或任何其他优化技术优化权重以减少误差。
只要永远记住要做：
“输入时间权重，添加偏差和激活函数”
最流行的激活函数类型
1.Sigmoid函数或者Logistic函数
2.Tanh — Hyperbolic tangent（双曲正切函数）
3.ReLu -Rectified linear units（线性修正单元）
Sigmoid激活函数：它是一个f（x）= 1/1 + exp（-x）形式的激活函数。它的值区间在0和1之间，是一个S形曲线。它很容易理解和应用，但使其不受欢迎的主要原因是：
- 梯度消失问题
- 当BP求梯度时候，gradient = df(x) / dx , 它的输出要么都是整数，要么都是负数。
它的梯度更新只能在一个方向上走远，而不能在不同的方向上更新，使梯度的优化更加困难。
- Sigmoids函数饱和且kill掉梯度。
- Sigmoids函数收敛缓慢。
现在我们该如何解决sigmoid 只能在一个方向上更新梯度的问题？
双曲正切函数——Tanh：其数学公式是f（x）= 1 - exp（-2x）/ 1 + exp（-2x）。现在它的输出是以0中心的，因为它的值区间在-1到1之间，即-1<output <1。="" 因此，在该方法中优化更容易一些，从而其在实践应用中总是优于sigmoid函数。="" 但它依然存在着梯度消失问题。<="" p="">
那么我们该如何处理和纠正梯度消失问题呢？
ReLu -Rectified linear units（线性修正单元）：其实在过去几年中它就已经非常受欢迎了。最近证明，相较于Tanh函数，它的收敛性提高了6倍。只要R（x）= max（0，x），即如果x <0，R（x）= 0，如果x> = 0，则R（x）= x。因此，只看这个函数的数学形式，我们就可以看到它非常简单、有效。其实很多时候我们都会注意到，在机器学习和计算机科学领域，最简单、相容的技术和方法才是首选，才是表现最好的。因此，它可以避免和纠正梯度消失问题。现如今，几乎所有深度学习模型现在都使用ReLu函数。
但它的局限性在于它只能在神经网络模型的隐藏层中使用。因此，对于输出层，我们应该使用Softmax函数来处理分类问题从而计算类的概率。而对于回归问题，它只要简单地使用线性函数就可以了。
ReLu函数的另一个问题是，一些梯度在训练过程中可能很脆弱，甚至可能会死亡。它可以导致权重更新，这将使其永远不会在任何数据点上激活。简单地说ReLu可能会导致死亡神经元。
为了解决这个问题，我们引进了另一个被称为Leaky ReLu的修改函数，让它来解决死亡神经元的问题。它引入了一个小斜坡从而保持更新值具有活力。
然后，我们还有另一个变体，它形成于ReLu函数和Leaky ReLu函数的结合，我们称之为Maxout函数。
结论
问题是哪一个更好用呢？
这个问题的答案就是，现在我们应该使用只应用于隐藏层的ReLu函数。当然，如果我们的模型在训练过程中遇到死亡神经元，我们就应该使用leaky ReLu函数或Maxout函数。
而考虑到现实的情况，Sigmoid函数和Tanh函数是不适用的，因为梯度消失问题（vanishing Gradient Problem）是一个很严重的问题，会在训练一个神经网络模型中导致更多问题。