激活函数是神经网络中的一种非线性变换，它在神经元的输出上引入了非线性性质，使神经网络能够更好地学习和适应复杂的数据模式。以下是一些常见的激活函数：

Sigmoid 函数

Sigmoid 函数将输入映射到（0，1）之间，常用于输出层的二分类问题。然而，它在深度神经网络中的梯度消失问题（vanishing gradient problem）使得在隐藏层中的使用逐渐减少。

Hyperbolic Tangent 函数（tanh）

tanh 函数将输入映射到 (-1，1) 之间，相比 Sigmoid 函数，tanh 的输出范围更广，有助于缓解梯度消失问题。

Rectified Linear Unit 函数（ReLU）：

ReLU 是一种简单而广泛使用的激活函数，对正值保持不变，负值置零。它在许多情况下表现良好，但可能存在“死亡 ReLU”问题，即某些神经元可能永远不会被激活。

Leaky Rectified Linear Unit 函数（Leaky ReLU）

Leaky ReLU 在负值部分引入一个小的斜率 αα，以解决死亡 ReLU 问题，使得负值时仍然有些梯度。

Parametric Rectified Linear Unit 函数（PReLU）

PReLU 是 Leaky ReLU 的一种扩展，不同之处在于它引入了一个可学习的参数 αα。

Exponential Linear Unit 函数（ELU）

ELU 是一种类似于 Leaky ReLU 的激活函数，但在负值时具有更平滑的曲线，并且可以接近于负无穷，有助于缓解梯度消失问题。

这些激活函数各有优劣，选择适当的激活函数通常取决于具体的问题和网络架构。ReLU 及其变体是目前深度学习中最常用的激活函数之一。