1. 激活函数：激活函数是指在人工神经网络的神经元中，将输入映射到输出端的非线性函数。激活函数通常是非线性的，激活函数给神经元引入了非线性因素，使得神经网络可以任意逼近任何非线性函数，可以应用到非线性模型中。
一般进行线性操作后，就将线性操作的结果放入激活函数中映射。在CNN中，运算顺序通常是卷积 - 池化 - 批量归一化 - 激活函数
常见的激活函数：sigmoid、tanh、ReLU、Maxout、Leaky ReLU、ELU
2. sigmoid：将元素压缩（映射）到0和1之间，当参数过大或过小时，容易造成梯度消失
公式：
图像：
问题：
①梯度消失
②指数函数e的计算过高
③函数不以0为中心
梯度消失：当参数过大或过小时，斜率趋向于0，局部梯度为0或者是一个很小很小的值，一直回溯逐步累乘起来，梯度就会趋于0，从而造成梯度消失
4. tanh：将元素映射到-1和1之间，以0为中心，但仍存在梯度消失的问题
公式：
图像：
5. Relu：将元素映射到0和正无穷之间，在大于0的区间上不存在梯度消失的问题。Relu不用计算指数函数，计算效率高、收敛速度快
公式：
图像：
6. Leaky Relu：将元素映射到负无穷到正无穷之间，设置α，选取αx和x中的最大值
公式：
图像：α=0.01
7.ELU：将元素映射到负无穷和正无穷之间， x>=0时，f(x)=x；x<0时，f(x)=α( e^x - 1)
公式：
图像：
8. Maxout：有两组不同的W1、b1；W2、b2分别和输入矩阵进行线性操作得到两个不同的结果，在两个结果中选取最大值
公式：
缺点：对于W和b，两倍内存，两倍计算
9. 实践中如何选择激活函数？
