1.激活函数的性质：

• 非线性： 当激活函数是线性的时候，一个两层的神经网络就可以逼近基本上所有的函数了。但是，如果激活函数是恒等激活函数的时候（即f(x)=x），就不满足这个性质了，而且如果MLP使用的是恒等激活函数，那么其实整个网络跟单层神经网络是等价的。
• 可微性： 当优化方法是基于梯度的时候，这个性质是必须的。
• 单调性： 当激活函数是单调的时候，单层网络能够保证是凸函数。
• f(x)≈x： 当激活函数满足这个性质的时候，如果参数的初始化是random的很小的值，那么神经网络的训练将会很高效；如果不满足这个性质，那么就需要很用心的去设置初始值。
• 输出值的范围： 当激活函数的输出是有限的时候，基于梯度的优化方法会更加稳定，因为特征的表示受有限权值的影响更显著；当激活函数的输出是无限的时候，模型的训练会更加高效，不过在这种情况下，一般需要更小的learning rate。

2.激活函数

（1）Sigmoid

Sigmoid 是常用的非线性的激活函数，它的数学形式如下：

f(x)=1/(1+e^−x)

它能够把输入的连续实值“压缩”到0和1之间。 特别的，如果是非常大的负数，那么输出就是0；如果是非常大的正数，输出就是1。

sigmoid 函数曾经被使用的很多，不过近年来，用它的人越来越少了。主要是因为它的一些 缺点：

• Sigmoids saturate and kill gradients。sigmoid 有一个非常致命的缺点，当输入非常大或者非常小的时候（saturation），这些神经元的梯度是接近于0的，从图中可以看出梯度的趋势。所以，需要注意参数的初始值来尽量避免saturation的情况。如果初始值很大的话，大部分神经元可能都会处在saturation的状态而把gradient kill掉，这会导致网络变的很难学习。
• Sigmoid 的 output 不是0均值。这是不可取的，因为这会导致后一层的神经元将得到上一层输出的非0均值的信号作为输入。 产生的一个结果就是：如果数据进入神经元的时候是正的(e.g. x>0 elementwise in f=wTx+b)，那么 w 计算出的梯度也会始终都是正的。 当然了，如果你是按batch去训练，那么那个batch可能得到不同的信号，所以这个问题还是可以缓解一下的。因此，非0均值这个问题虽然会产生一些不好的影响，不过跟上面提到的 kill gradients 问题相比还是要好很多的。

（2）tanh

tanh 是sigmoid的变形,跟sigmoid很像： 

tanh(x)=2sigmoid(2x)−1

与 sigmoid 不同的是，tanh 是0均值的。因此，实际应用中，tanh 会比 sigmoid 更好。

（3）ReLU

ReLU（Rectified Linear Unit，修正线性单元），作为激活函数被广泛应用于各种深度神经网络中。激活函数层ReLU Layer原理很简单，就是实现了对输入数据的非负处理，将小于零的数据进行了截断。

ReLU激活函数为

f(x)=max(0,x)

输入信号<0时，输出都是0，>0 的情况下，输出等于输入。

W 是二维的情况下，使用ReLU之后的效果如下：

ReLU 的优点：

• 使用 ReLU 得到的SGD的收敛速度会比 sigmoid/tanh 快很多(右图)。有人说这是因为它是linear，而且 non-saturating。
• 相比于 sigmoid/tanh，ReLU 只需要一个阈值就可以得到激活值，而不用去算一大堆复杂的运算。

ReLU 的缺点： 

• ReLU 的缺点是训练的时候很”脆弱”，很容易就”die”了。（举个例子：一个非常大的梯度流过一个 ReLU 神经元，更新过参数之后，这个神经元再也不会对任何数据有激活现象了。）如果这个情况发生了，那么这个神经元的梯度就永远都会是0。实际操作中，如果learning rate 很大，那么很有可能你网络中的40%的神经元都”dead”了。 当然，如果设置了一个合适的较小的learning rate，这个问题发生的情况其实也不会太频繁。

（4）Leaky-ReLU、P-ReLU、R-ReLU

LeakyReLU是用来解决 “dying ReLU” 的问题的。与 ReLU 不同的是：

LeakyReLU是ReLU的变体f(x)=max(0,x)+negative_slope×min(0,x),其中，negative_slope是一个小的非零数。

f(x)=αx，(x<0) 

f(x)=x，(x>=0)

α 是一个很小的常数。这样，即修正了数据分布，又保留了一些负轴的值，使得负轴信息不会全部丢失。

关于LeakyReLU 的效果，众说纷纭，没有清晰的定论。有些人做了实验发现 LeakyReLU 表现的很好；有些实验则证明并不是这样。

PReLU(Parametric ReLU)： 对于 LeakyReLU 中的α，通常都是通过先验知识人工赋值的。 

然而可以观察到，损失函数对α的导数我们是可以求得的，可不可以将它作为一个参数进行训练呢？ 

Kaiming He的论文《Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification》指出，不仅可以训练，而且效果更好。

对α的导数如下：

δyi / δα=0，(if yi>0)，else=yi

原文说使用了Parametric ReLU后，最终效果比不用提高了1.03%.

RReLU(Randomized ReLU)： 

Randomized Leaky ReLU 是 leaky ReLU 的random 版本 （α 是random的）。它首次试在 kaggle 的NDSB 比赛中被提出的。核心思想就是，在训练过程中，α 是从一个高斯分布 U(l,u) 中 随机出来的，然后再测试过程中进行修正（有点像dropout的用法）。

数学表示如下：

在测试阶段，把训练过程中所有的 αij 取个平均值。NDSB 冠军的 α 是从 U(3,8) 中随机出来的。那么，在测试阶段，激活函数就是就是： 

yij=xij / ((l+u)/2)

（5）Maxout

Maxout出现在ICML2013上，作者Goodfellow将maxout和dropout结合后，号称在MNIST, CIFAR-10, CIFAR-100, SVHN这4个数据上都取得了start-of-art的识别率。 

Maxout 公式如下： 

fi(x)=max zij ,j∈[1,k] 

假设 w 是2维的，那么有： f(x)=max(wT1x+b1,wT2x+b2) 

可以注意到，ReLU 和 Leaky ReLU 都是它的一个变形（比如：w1,b1=0 的时候，就是 ReLU）。

Maxout的拟合能力是非常强的，它可以拟合任意的的凸函数。作者从数学的角度上也证明了这个结论，即只需2个maxout节点就可以拟合任意的凸函数了（相减），前提是”隐隐含层”节点的个数可以任意多.

所以，Maxout 具有 ReLU 的优点（如：计算简单，不会 saturation），同时又没有 ReLU 的一些缺点 （如：容易 go die）。Maxout的缺点是把参数double了。

3.激活函数的选择

如果使用 ReLU，那么一定要小心设置 learning rate，而且要注意不要让网络出现很多 “dead” 神经元，如果这个问题不好解决，那么可以试试 Leaky ReLU、PReLU 或者 Maxout。

最好不要用 sigmoid，可以试试 tanh，不过可以预期它的效果会比不上 ReLU 和 Maxout。

注意，通常来说，很少会把各种激活函数串起来在一个网络中使用的。