激活函数有什么用？Sigmoid、Tanh、ReLU 怎么选？
简化版
激活函数 给神经网络引入非线性——没有它，多层网络会塌缩成一层线性模型、深度毫无意义。常见的：Sigmoid（压到 (0,1)，可作概率，但两端饱和导致梯度消失、输出非零中心，隐藏层已少用）；Tanh（压到 (-1,1)，零中心比 sigmoid 好，但仍会饱和梯度消失）；ReLU（max(0,x)，正区间导数恒为 1、计算快，能缓解部分激活路径的梯度消失，常作为隐藏层基线，缺点是负区间输出恒 0 可能「神经元死亡」）；改进版 Leaky ReLU / PReLU / ELU / GELU 解决死亡问题。选择：隐藏层可先用 ReLU，并按架构考虑其变体或 GELU，输出层按任务定（二分类 sigmoid、多分类 softmax、回归无激活）。
详细版
常见激活函数对比：
| 函数 | 公式 | 值域 | 优点 | 缺点 |
|---|---|---|---|---|
| Sigmoid | 1/(1+e⁻ˣ) | (0,1) | 可作概率、平滑 | 饱和梯度消失、非零中心、有 exp 慢 |
| Tanh | (eˣ-e⁻ˣ)/(eˣ+e⁻ˣ) | (-1,1) | 零中心 | 仍饱和梯度消失 |
| ReLU | max(0,x) | [0,∞) | 正半轴不饱和、快 | 负半轴梯度为零、非零中心 |
| Leaky ReLU | max(0.01x, x) | (-∞,∞) | 降低死亡风险 | 需选择负斜率 |
| ELU/GELU | 平滑变体 | — | 更平滑、效果好 | 计算稍贵 |
关键作用： 引入非线性——无激活则多层等价单层线性变换（见神经网络基础）。
ReLU 为什么成主流：
- 正区间导数=1，不引入饱和小导数；但整网梯度仍受权重与其他层影响。
- 计算简单（只比较取大），收敛快。
- 负区间输出 0 → 稀疏激活。
完整版教学
一、激活函数的根本作用：引入非线性
激活函数最核心的作用是给网络引入非线性。如果每层只做 z = Wx+b 的线性变换、不加非线性激活，那么无论堆多少层，整个网络都等价于一个线性变换（多个线性变换的复合还是线性），表达能力和逻辑回归一样，深度完全白费（详见神经网络基础）。
激活函数在每层的线性变换后插入一个非线性操作，打破这种塌缩，让网络能层层组合出复杂的非线性函数——这是神经网络成为「万能近似器」的前提。所以「为什么需要激活函数」的标准答案就是：没有它深度网络失去意义。
二、Sigmoid：能当概率，但有硬伤
σ(x) = 1 / (1 + e⁻ˣ) 值域 (0,1)- 优点：输出在 (0,1)，可解释为概率，平滑可导。
- 缺点（导致隐藏层弃用）：
- 饱和导致梯度消失：x 很大或很小时，sigmoid 曲线变平，导数趋近 0。反向传播梯度逐层连乘这些接近 0 的导数，会指数衰减，前面的层几乎学不动（详见梯度消失专题）。
- 输出非零中心（恒正）：会让下一层梯度同号，权重更新呈「Z 字形」低效。
- 含指数运算，计算较慢。
现在 sigmoid 主要用在二分类的输出层（输出概率），隐藏层很少用。
三、Tanh：零中心，但仍会饱和
tanh(x) = (eˣ - e⁻ˣ)/(eˣ + e⁻ˣ) 值域 (-1,1)- 优点：输出零中心（(-1,1)），比 sigmoid 的收敛性质好（解决了非零中心问题）。
- 缺点：两端仍然饱和、仍会梯度消失——本质和 sigmoid 一样是 S 形曲线，只是范围不同。
Tanh 比 sigmoid 好用一点（尤其早期 RNN 常用），但同样受饱和梯度消失困扰。
四、ReLU：常用基线，缓解部分路径的梯度消失
ReLU(x) = max(0, x) 值域 [0, ∞)ReLU 常作为隐藏层基线，因为它缓解了 sigmoid/tanh 的饱和问题：
- 正区间局部导数恒为 1：不会像饱和 sigmoid 那样再乘一个很小的激活导数，但整条路径仍受权重雅可比影响，大幅缓解梯度消失——这是 ReLU 让深层网络能训练起来的关键。
- 计算极快：只是「和 0 比大小取较大者」，没有指数运算。
- 稀疏激活：负输入输出 0，让网络中一部分神经元不激活，带来稀疏性。
- 收敛通常比 sigmoid/tanh 快得多。
ReLU 的缺点——神经元死亡（Dying ReLU）：如果一个神经元的输入总是负的（如学习率过大导致权重更新过猛），它的输出恒为 0、梯度也恒为 0，从此再也无法更新——这个神经元「死了」，永久失效。
五、ReLU 的改进版：修复神经元死亡
为解决死亡问题，出现了一系列变体，共同思路是给负区间也留一点梯度：
- Leaky ReLU：
max(0.01x, x)——负区间给一个小斜率（如 0.01），负输入也有非零梯度，神经元不会彻底死。 - PReLU：负区间的斜率变成可学习的参数。
- ELU：负区间用平滑的指数曲线，输出可为负（更接近零中心），更平滑但计算稍贵。
- GELU / Swish：更平滑的现代激活，
GELU在 BERT、GPT-2 等 Transformer 中常见，其他模型也可能采用 SiLU/SwiGLU；效果需由架构和任务验证。
六、怎么选——按位置和任务
隐藏层：
- 可先用 ReLU——简单、快、有效；Transformer 等架构常按原论文使用 GELU、SiLU 或门控激活。
- 担心神经元死亡 → Leaky ReLU / ELU。
- Transformer → 优先遵循架构配置，常见 GELU / SiLU / SwiGLU。
输出层（按任务定）：
- 互斥二分类 → 单 logit 配 sigmoid/BCE；工程实现通常直接使用 BCE-with-logits。
- 互斥多分类 → logits 配 softmax 交叉熵；多标签分类则通常每类独立 sigmoid。
- 无约束实数回归 → 线性输出；非负、区间或概率参数预测应按输出约束选 Softplus、Sigmoid 等。
七、用数值比较饱和、死亡与平滑激活
激活函数的差异最终体现在输出和局部导数。Sigmoid 在 x=0 时导数为 0.25；在 x=10 时输出约 0.99995、导数约 4.54×10⁻⁵，已经接近饱和。ReLU 在 x=2 时导数为 1，但在 x=-2 时输出与常用次梯度都取 0，因此既能保住正区间梯度，也可能产生死亡单元。
| 输入 | Sigmoid 输出/导数 | Tanh 输出/导数 | ReLU 输出/导数 |
|---|---|---|---|
| 0 | 0.5 / 0.25 | 0 / 1 | 0 / 约定值 |
| 2 | 0.881 / 0.105 | 0.964 / 0.071 | 2 / 1 |
| 10 | 0.99995 / 0.000045 | 约1 / 近0 | 10 / 1 |
输出层还必须和损失函数配套：二分类常把 logits 直接交给数值稳定的 BCE-with-logits，而不是先手算 sigmoid；多分类交叉熵同理常直接接 logits。回归也不总是无激活，例如预测非负尺度时可用 Softplus，但这属于任务约束而非默认规则。
易错点：ReLU 的局部导数为 1，不代表整条网络梯度恒为 1；权重、归一化和其他层仍会改变梯度尺度。
八、常见误区与追问
- 误区：ReLU 彻底解决了深层网络的梯度消失。 它只去掉正区间的饱和导数，整条雅可比乘积仍可能收缩。
- 误区：Sigmoid 不能出现在任何隐藏结构中。 门控网络和 LSTM 仍用它控制 0 到 1 的门值，只是不适合作为普通深层主激活。
- 追问：ReLU 在 0 点不可导怎么办？ 训练框架选定一个次梯度，通常取 0；单点不可导一般不妨碍随机优化。
- 追问：为什么分类实现常接收 logits？ 融合实现可用 log-sum-exp 技巧避免概率接近 0 或 1 时的溢出和下溢。
- 追问：如何选择 GELU、SiLU 与 ReLU？ 先遵循成熟架构，再以验证指标、吞吐和部署算子支持做消融。
九、加强记忆
激活函数的根本作用是引入非线性；没有它，多层仿射变换仍可合并为一层。Sigmoid 与 Tanh 在大绝对值处饱和，普通隐藏层中容易带来小梯度，但门控结构仍会使用 Sigmoid。ReLU 正半轴导数为 1、计算简单，负半轴却可能形成死亡单元；Leaky ReLU、ELU 等保留负区间梯度，GELU、SiLU 与门控激活则常见于现代架构。输出层必须按标签结构和约束选择：互斥分类、多标签分类与受约束回归并非同一种配置，训练实现优先直接接收 logits 的数值稳定损失。