0.思维导图预览

1. ReLU函数

ReLU（Rectified Linear Unit）线性整流函数
其公式为：
$$f(x)=Max(0,x)$$
它将小于零的输入映射为0，而将大于等于零的输入保持不变。在PyTorch中，可以使用torch.nn.ReLU类来表示。
ReLU函数求导简单方便；但是当反向传播过程中，权值更新小于0时，导致该处的导数始终为0，无法更新权值，会进入失活状态。

AlexNet就用的是ReLU函数

2. Sigmoid函数

Sigmoid函数将输入值压缩到0和1之间，在PyTorch中，可以使用torch.nn.Sigmoid类来表示。
其公式为：
$$f(x)=\frac{1}{1+e^{-x}}$$
Sigmoid函数的优点是输出范围在(0, 1)之间，可以将输入映射到概率形式或者用于二分类问题中。
缺点是激活函数饱和时，梯度非常小，网络层数较深时容易出现梯度消失。

3. Softmax函数

Softmax函数将输入值转换为概率分布，用于多分类问题。在PyTorch中，可以使用torch.nn.Softmax类来表示。Softmax函数将原始的实数向量转换为表示概率分布的向量，使每个元素的取值范围≥0，并且所有元素的和等于1。
其公式为：

对于输入向量 $\mathbf{z}=(z_1,z_2,\dots ,z_{k-1})$，Softmax函数对应的输出向量 $\mathbf{y}=(y_1,y_2,\dots ,y_n)$ 的计算公式为：

$$y_i=\frac{e^{z_i}}{{\sum }_{j=0}^{k-1}{e}^{z_j}}$$

其中，$e$ 是自然对数的底。 $y_i$ 表示输入向量 $\mathbf{z}$ 属于类别 $i$ 的概率。

4. Tanh函数

Tanh函数将输入值压缩到(-1,1)之间，它在中间层中能够产生非线性的激活输出，并且保留了负数的信息，经常被用于数据归一化的过程，将数据标准化到一个更小的范围，使得数据更易处理和比较。
Sigmoid函数是压缩到(0,1)之间。
在PyTorch中，可以使用torch.nn.Tanh类来表示。
其公式为：
$$f(x)=\frac{e^x-e^{-x}}{e^x+e^{-x}}$$

5.（学习后更新）