部分转自：https://blog.csdn.net/caicaiatnbu/article/details/72745156
激活函数（Activation Function）运行时激活神经网络中某一部分神经元，将激活信息向后传入下一层的神经网络。
神经网络的数学基础是处处可微的，所以选取激活函数要保证数据输入与输出也是可微的。TensorFlow中提供哪些激活函数的API。
激活函数不会改变数据的维度，也就是输入和输出的维度是相同的。TensorFlow中有如下激活函数：
tf.nn.relu()
tf.nn.sigmoid()
tf.nn.tanh()
tf.nn.elu()
tf.nn.bias_add()
tf.nn.crelu()
tf.nn.relu6()
tf.nn.softplus()
tf.nn.softsign()
tf.nn.dropout()#防止过拟合，用来舍弃某些神经元包括平滑的非线性的激活函数，如sigmoid、tanh、elu、softplus、softsign，也包括连续但不是处处可微的函数relu、relu6、crelu、relu_x，以及随机正则化函数dropout。
上述激活函数的输入均为要计算的x（一个张量），输出均为x数据类型相同的张量。常见的激活函数有sigmoid、tanh、relu、softplus这4种。
1. sigmoid 函数
这是传统神经网络中最常用的激活函数之一，公式和函数图像如下：
- {displaystyle S(x)={frac {1}{1+e^{-x}}}.}
- 优点：它输出映射在(0,1)内，单调连续，非常适合用作输出层，并且求导比较容易；
- 缺点：具有软饱和性，一旦输入落入饱和区，一阶导数就变得接近于0，很容易产生梯度消失。
- 饱和性：当|x|>c时，其中c为某常数，此时一阶导数等于0，通俗的说一阶导数就是上图中的斜率，函数越来越水平。
2. tanh函数
tanh也是传统神经网络中比较常用的激活函数，公式和函数图像如下：
tanh函数也具有软饱和性。因为它的输出是以0为中心，收敛速度比sigmoid函数要快。但是仍然无法解决梯度消失问题。
3. relu 函数
relu函数是目前用的最多也是最受欢迎的激活函数。公式和函数图像如下：
由上图的函数图像可以知道，relu在x<0时是硬饱和。由于当x>0时一阶导数为1。所以，relu函数在x>0时可以保持梯度不衰减，从而缓解梯度消失问题，还可以更快的去收敛。但是，随着训练的进行，部分输入会落到硬饱和区，导致对应的权重无法更新。我们称之为“神经元死亡”。
除了relu本身外，TensorFlow还定义了relu6，也就是定义在min(max(features, 0), 6)的tf.nn.relu6(features, name=None),以及crelu,也就是tf.nn.crelu(features, name=None).
4. softplus 函数
softplus函数可以看作是relu函数的平滑版本，公式和函数图像如下：
5. leakrelu 函数
leakrelu函数是relu激活函数的改进版本，解决部分输入会落到硬饱和区，导致对应的权重无法更新的问题。公式和图像如下：
左边缩小方差，右边保持方差；方差整体还是缩小的，而均值得不到保障。
6. ELU 函数
leakrelu函数是relu激活函数的改进版本，解决部分输入会落到硬饱和区，导致对应的权重无法更新的问题。公式和图像如下：
左边缩小方差，右边保持方差；方差整体还是缩小的，而均值得不到保障。
7. SELU 函数
最近的自归一化网络中提出，函数和图像如下：
蓝色是：selu，橙色是：elu
左边缩小方差，右边放大方差，适当选取参数alpha和lambda，使得整体上保持方差与期望。如果选取：
lambda=1.0506，alpha=1.67326，那么可以验证如果输入的x是服从标准正态分布，那么SELU(x)的期望为0，方差为1.
关于softmax的详细说明，请看Softmax。
通过Softmax回归，将logistic的预测二分类的概率的问题推广到了n分类的概率的问题。通过公式 
可以看出当月分类的个数变为2时，Softmax回归又退化为logistic回归问题。
下面的几行代码说明一下用法
# -*- coding: utf-8 -*-
import tensorflow as tf
A = [1.0,2.0,3.0,4.0,5.0,6.0]
with tf.Session() as sess:
print sess.run(tf.nn.softmax(A))
结果
[ 0.00426978 0.01160646 0.03154963 0.08576079 0.23312201 0.63369131]