深度学习基础笔记4-激活函数

Fri, 09 Oct 2026 00:00:00 +0000

激活函数

在多层感知机笔记里，为了让网络摆脱"多层等价于单层"的困境，我们给每一层的加权求和结果套了一个非线性函数，这就是激活函数（Activation Function）。当时只是顺带介绍，这里把它单独展开整理。

一句话定位：激活函数决定了神经元"要不要被激活、以多大强度往下传"，它是网络里唯一的非线性来源。

为什么必须有激活函数

如果去掉激活函数，每一层只剩线性变换：

1
2

第一层：h = W₁x + b₁
第二层：y = W₂h + b₂ = W₂(W₁x + b₁) + b₂ = (W₂W₁)x + (W₂b₁ + b₂)

两个矩阵相乘仍然是一个矩阵，两层网络塌缩成了一层。堆十层、一百层结果都一样，再多参数也只是在拟合一个线性模型，连异或这种简单的非线性问题都解不了。

反过来，只要每层套一个非线性函数，多层叠加就能拼出任意复杂的决策边界，这正是万能逼近定理所保证的。

所以激活函数的第一要务是：提供非线性。

为什么不采用非线性变换一步到位

为什么神经网络要先做线性变换、再套非线性激活，而不是直接采用 y = x² + b 这类非线性变换一步到位？

y = Wx + B（矩阵乘加 MAC）天然极适合硬件加速，在GPU中加速运算极快
激活函数的值一般在0附近，对于原始数据基本没有放大或缩小，y = x² + b 这样的非线性随着层数的加深，数据会指数级膨胀，从而使计算复杂度暴涨

好激活函数的几条标准

好的激活函数除了非线性，实际用起来还会看这几项：

可导（至少几乎处处可导）：反向传播要靠它传梯度，导数为 0 或不存在的函数直接用不了；
导数不能太小：梯度要能一路传回浅层，否则会出现梯度消失；
计算要快：每个神经元、每个样本、每次迭代都要算一遍，越简单越好；
输出最好是零中心：输出全是正数时，后续权重的梯度会同号，更新方向被"锁死"成同向锯齿；
梯度良好：不要出现梯度消失或梯度爆炸，最好接近1；
单调 / 平滑 / 有界（加分项，非必须）：梯度更稳定，训练更容易收敛

这几条很难全部满足，下面每个函数都是在不同取舍之间做选择。

常见激活函数

更多激活函数可以参见这篇文章。

阶跃函数（Step Function）

1
2
3

        1 , z ≥ 0
f(z) = 
        0 , z < 0

最朴素的激活函数，感知机用的就是它：加权求和加偏置后判断正负，输出 0 或 1。

问题在于它是分段常数：在 0 处不可导，其余地方导数处处为 0。梯度根本传不下去，所以只能用于单层模型——这也是感知机无法扩展到多层、必须改换成后面这些函数的原因。

Sigmoid（Logistic）

`1`	`σ(z) = 1 / (1 + e⁻ᶻ) σ'(z) = σ(z)·(1 − σ(z))`

把任意实数压到 (0,1)，可以当作概率来读，因此二分类任务的输出层至今仍是它的主场。

缺点也很典型：

两端饱和：|z| 稍大，两端曲线就压平，导数趋近 0，深层网络里梯度连乘后迅速消失；
输出不是零均值：输出恒为正，后面一层的输入全是同号值，权重更新方向受限，收敛变慢；
计算贵：指数运算比简单乘法运算慢很多。
梯度消失：导数最大值只有 0.25（在 z = 0 处），也就是说每往回传一层，梯度最多只剩四分之一——这是它梯度消失特别快的直接原因。

Softmax

`1`	`Softmax(zᵢ) = eᶻⁱ / Σⱼ eᶻʲ`

严格说它不是"单个神经元的激活函数"，而是作用在输出层一整组神经元上的归一化操作：把 K 个实数映成 K 个落在 (0,1)、且总和为 1 的值，正好可以当作"属于各类别的概率"。

因此它专用于多分类的输出层，并且几乎总是与交叉熵损失搭配使用（见反向传播笔记）。

需要注意：Softmax 的输出是相互牵制的，某一个变大，其余的必然变小，所以它只适合"类别互斥"的多分类，多标签分类要对每个类别各用一个 Sigmoid。

注意：CrossEntropyLoss 内部自带 Softmax，模型最后一层不要手动写 Softmax，否则等于计算两次

Tanh（双曲正切）

`1`	`tanh(z) = (eᶻ − e⁻ᶻ) / (eᶻ + e⁻ᶻ) tanh'(z) = 1 − tanh²(z)`

可以看成 Sigmoid 的"拉伸平移版"：

值域从 (0,1) 变成 (−1,1)，输出零中心，所以在隐藏层上比 Sigmoid 好用一些，收敛更快；
导数最大值为 1（在 z = 0 处），比 Sigmoid 的 0.25 大，梯度消失来得慢一些；
但两端同样饱和，梯度消失的问题仍然存在，深层网络依然扛不住；
依赖指数运算，计算成本比 ReLU 高。

ReLU（Rectified Linear Unit）

`1`	`ReLU(z) = max(0, z) 导数：z > 0 时为 1，z < 0 时为 0`

目前隐藏层的默认选择：正区间原样通过（导数恒为 1），负区间直接截断为 0。

优点：

计算就是一次比较，极快；
正区间导数恒为 1，不饱和，梯度可以无损地往回传，极大缓解了梯度消失；
负区间输出 0，带来一定的稀疏性。

缺点：

死亡 ReLU：一旦某个神经元的输入长期落在负区间，它的梯度恒为 0，参数再也不会被更新，这个神经元就"永久失效"了；学习率设得过大时尤其容易发生；
非0中心输出；
输出无上界，深层神经网络会一直放大，离不开BatchNorm归一化。

Leaky ReLU

`1`	`LeakyReLU(z) = max(αz, z) 导数：z > 0 时为 1，z < 0 时为 α`

优点：

解决了ReLU输入值为负时神经元出现的死亡的问题
Leaky ReLU线性、非饱和的性质，在SGD中能够快速收敛
计算复杂度低，不需要进行指数运算

缺点：

函数中的超参数α，需要通过先验知识人工赋值（一般设为0.01），不一定能调到最优

GELU

GELU 将 ReLU 在 0 处的硬性切断改成了更柔和的软门，现在GELU是transformer的标配，在 BERT、GPT、ViT 等 Transformer 中显著优于 ReLU/ELU。

SiLU/Swish

`1`	`SiLU(z) = z * sigmoid(z)`

SiLU相比于GELU计算代价更轻，与GELU类似但形式更简单

在FFN中一般采用SiLU

隐藏层和输出层怎么选

这两处的诉求并不一样，选择标准要分开看：

位置	选择	原因
隐藏层	ReLU（及其变体）	计算快、不饱和，梯度好传
二分类输出层	Sigmoid	输出可当概率读
多分类输出层	Softmax	归一化成总和为 1 的概率分布
回归输出层	不用激活（线性输出）	需要输出任意实数，不能限制值域

一句话记忆：隐藏层默认 ReLU，输出层按任务类型挑，回归则直接线性输出。

小结

激活函数是网络里唯一的非线性来源，没有它多层就等价于单层线性模型；
好的激活函数要非线性、可导、梯度好传、计算快，这几条往往互相冲突；
阶跃函数不可导，只能用于单层感知机；Sigmoid / Tanh 会饱和，深层容易梯度消失；
ReLU 简单、正区间不饱和，是隐藏层的默认选择，但要留意死亡 ReLU；
Softmax 作用在一整层上，专用于多分类输出层；回归任务的输出层不加激活函数。

激活函数 on Lumenth