1.sigmod函数
[sigma(x)=frac{1}{1+e^{-x}}
]
sigmod函数的输出值再（0，1）这个开区间中，经常被用来映射为概率值。
sigmod函数作为激活函数曾经比较流行。
缺陷
- 当输入稍微远离了坐标原点，函数的梯度就变得很小了，几乎为零。当反向传播经过了sigmod函数，这个链条上的微分就很小很小了，况且还可能经过很多个sigmod函数，最后会导致权重w对损失函数几乎没影响，这样不利于权重的优化，这个问题叫做梯度饱和，也可以叫梯度弥散。
- 函数输出不是以0为中心的，这样会使权重更新效率降低
- sigmod函数要进行指数运算，这个对于计算机来说是比较慢的。
tf.sigmoid(x, name=None)
2.tanh函数
[双曲正弦函数= anh(x)=frac{sinh(x)}{cosh(x)}=frac{e^x-e^{-x}}{e^x+e^{-x}}
]
sigmod函数的输出值在(-1,1)这个开区间中，而且整个函数是以0为中心的，这个特点比sigmod的好。
缺陷
- 当输入稍微远离了坐标原点，函数的梯度就变得很小了，几乎为零。当反向传播经过了sigmod函数，这个链条上的微分就很小很小了，况且还可能经过很多个sigmod函数，最后会导致权重w对损失函数几乎没影响，这样不利于权重的优化，这个问题叫做梯度饱和，也可以叫梯度弥散。
- sigmod函数要进行指数运算，这个对于计算机来说是比较慢的。
一般二分类问题中，隐藏层用tanh函数，输出层用sigmod函数
tf.tanh(x, name=None)
3.ReLU函数
[sigma(x)=,max(0,x)
]
ReLU(Rectified Linear Unit)函数是目前比较火的一个激活函数
1.输入为正数的时候，不存在梯度饱和问题。
2.不存在指数运算，计算速度要快很多
缺陷
- 当输入是负数的时候，ReLU是完全不被激活的，这就表明一旦输入到了负数，ReLU就会死掉
- ReLU函数也不是以0为中心的函数
tf.nn.relu(
features,
name=None
)
4.ELU函数
[f(x)=egin{cases}
x &x>0 \ alpha(e^x-1) &x<=0
end{cases}
]
相比于ReLU函数，在输入为负数的情况下，是有一定的输出的，而且这部分输出还具有一定的抗干扰能力。这样可以消除ReLU死掉的问题，不过还是有梯度饱和和指数运算的问题。
tf.nn.elu(features, name=None)
5.PReLU函数
[f(x)=max(ax,x)
]
PReLU也是针对ReLU的一个改进型，在负数区域内，PReLU有一个很小的斜率，这样也可以避免ReLU死掉的问题。相比于ELU，PReLU在负数区域内是线性运算，斜率虽然小，但是不会趋于0，这算是一定的优势吧。
我们看PReLU的公式，里面的参数α一般是取0~1之间的数，而且一般还是比较小的，如零点零几。当α=0.01时，我们叫PReLU为Leaky ReLU，算是PReLU的一种特殊情况吧。