激活函数的作用
引入非线性因素
若神经网络仅由线性层构成，那么无论网络的层数有多少，其整体的输出依然是输入的线性组合。这样的网络只能拟合线性函数，在处理复杂的非线性问题（如语音识别、图像分类）时能力十分有限。激活函数的加入可以打破这种线性限制，使神经网络能够学习并表示任意复杂的非线性函数。例如，在一个简单的两层神经网络中，如果没有激活函数，那么输出只是输入的线性变换。但加入了 Sigmoid 激活函数后，网络就能学习到复杂的非线性模式。
特征映射与数据变换
激活函数可以将输入数据映射到一个新的特征空间，使得数据在这个新空间中更易于被神经网络处理。不同的激活函数具有不同的映射特性。例如，ReLU（Rectified Linear Unit）激活函数可以将负数输入置为 0，正数输入保持不变，这样可以突出数据中的正向特征，减少数据的稀疏性，同时加快神经网络的训练速度。
控制神经元的激活状态
激活函数可以控制神经元的激活状态，决定神经元是否要对输入进行响应。以 Sigmoid 函数为例，它的输出范围在 0 到 1 之间，可以看作是神经元的激活概率。当输入信号较弱时，Sigmoid 函数的输出接近 0，意味着神经元处于未激活状态；当输入信号较强时，输出接近 1，神经元被激活。这种机制可以帮助神经网络筛选出重要的输入信息，忽略不重要的信息。
梯度传递与模型训练
在神经网络的反向传播过程中，激活函数的导数决定了梯度的传递情况。合适的激活函数能够保证梯度在网络中有效地传播，避免出现梯度消失或梯度爆炸的问题。例如，ReLU 激活函数的导数在正数区域恒为 1，这使得梯度在传播过程中不会出现衰减，从而有助于缓解梯度消失问题，提高模型的训练效率。
Sigmoid 函数
常用于二分类问题
优点：
函数的值域在(0,1)之间，可将任意实数映射到0到1的区间，常被用于将输出解释为概率。
将很大范围内的输入特征值压缩到0~1之间，使得在深层网络中可以保持数据幅度不会出现较大的变化，而Relu函数则不会对数据的幅度作出约束；
缺点：
当输入非常大或非常小的时候，输出基本为常数，即变化非常小，进而导致梯度接近于0；
梯度可能会过早消失，进而导致收敛速度较慢，例如与Tanh函数相比，其就比sigmoid函数收敛更快，是因为其梯度消失问题较sigmoid函数要轻一些；
softmax
Softmax一般用来作为神经网络的最后一层，用于多分类问题的输出。其本质是一种激活函数，将一个数值向量归一化为一个概率分布向量，且各个概率之和为1。
Tanh
)
