目录

1. Sigmoid 激活函数

2. Tanh 激活函数

3. ReLU 激活函数

4. LeakyReLU 激活函数

5. ELU 激活函数

6. SELU 激活函数

7. GELU 激活函数

8. SoftPlus 激活函数

9. Swish 激活函数

10. Mish 激活函数

---

激活函数（activation function）的作用是对网络提取到的特征信息进行非线性映射，提供网络非线性建模的能力。常见的激活函数有 Sigmoid、Tanh、ReLU、LeakyReLU 和 ELU 等。

1. Sigmoid 激活函数

        Sigmoid 是一种常见的非线性激活函数，输入实数值并将其压缩到 (0,1) 范围内，适用于二元分类任务。其缺点是当输入值较大和较小时，梯度会接近于0从而导致梯度消失问题，函数的输出也不是以0为中心，指数计算复杂度高也更加耗时。其计算公式如下所示：

        Sigmoid 激活函数 Pytorch 示例：  

import torch# 定义输入张量
x = torch.tensor([0.5, -0.1, 2.0])# 使用Sigmoid激活函数
output = torch.sigmoid(x)print(output)

        Sigmoid 激活函数示意图： 

2. Tanh 激活函数

        双曲正切激活函数（hyperbolic tangent activation function, Tanh）也属于非线性激活函数，它可以将输入实数值映射到 [-1,1] 范围之间，适用于多元分类任务。输出是以零为中心，但是和sigmoid激活函数一样存在饱和问题，并仍未解决梯度消失问题。其计算公式如下所示：