激活函数
一个神经元就是计算输入的权重之和，增加bias，决定神经元是否被激活（这个就是激活函数干的）
考虑神经元有如下的表达式：
神经元表达式
Y的值可以从负无穷到正无穷，那么如何决定这个神经元是否被激活呢？这就需要我们用到激活函数。
step function
考虑到神经元的激活，最简单的方式就是设置一个阈值。当Y的值大于这个阈值的时候，这个神经元被激活；当Y的值小于这个阈值的时候，这个神经元就不被激活。
Step function
Linear function
A=cx
这个激活函数的输出是与输出成比例的。但是如果神经网络都是线性激活函数，那个整个网络都是线性，也就说无论多少层的神经网络都可以被一层的神经网络取代。这也不是我们希望看到的。
sigmoid函数
Sigmoid function
Sigmoid function
从函数的图像看出来，在区间[-2,2]之间，函数变化非常快，这也就意味着一点细微的变化都会引起函数值发生很大的变化。这个实际上对于分类问题是一个非常好的性质。在函数末端的梯度变化是非常缓慢的，也就意味着会有“梯度消失”的问题出现。当梯度消失的时候，整个网络训练速度非常慢
Tanh function
tanh.png
tanh
tanh is a scaled sigmoid function
从函数图像看来，这个函数和Sigmoid函数非常相似。它能够保证非线性，tanh梯度下降速度高于sigmoid函数，同样tanh存在梯度下降的问题。对于循环神经网络来说，不存在梯度下降的问题，所以LSTM一般默认tanh为激活函数
ReLU
A(x)=max（0，x）
ReLU
ReLU函数有点类似于线性，实际上它是非线性的，以及ReLU函数组合也是非线性的（实际上这个函数是一个比较好的近似函数，任何函数都可以组合ReLU函数来近似）。
softmax
归一化指数函数,对向量进行归一化，凸显其中最大的值并抑制远低于最大值的其他分量，很好应用于基于概率的分类问题
