Sigmoid将输出映射到（0，1）区间，并将线性数据映射到非线性空间
ReLU将输出映射到（0，♾）范围内，本质上是，为的是剔除不必要的负值数据，相较于Sigmoid函数，ReLU更适合应用梯度下降算法的机器学习当中，因为在离原点较远的位置，Sigmoid函数的梯度下降很慢，参数调整起来效率更是非常缓慢
在二分类的问题中，对于输出层，因为𝑦的值是 0 或 1，所以想让𝑦的数值介于 0 和 1 之间，而不是在-1 和+1 之间，所以需要使用 sigmoid 激活函数。其它情况下基本不用sigmoid函数了。
sigmoid 函数和 tanh 函数两者共同的缺点是，在𝑧特别大或者特别小的情况下，导数的梯度或者函数的斜率会变得特别小，最后就会接近于 0，导致降低梯度下降的速度。
