深度学习：神经网络中为什么需要使用激活函数？（超详细）

一、百度百科

        我们先看下百度百科的解释：

       如果不用激活函数，每一层输出都是上层输入的线性函数，无论神经网络有多少层，输出都是输入的线性组合，这种情况就是最原始的感知机（Perceptron）。如果使用的话，激活函数给神经元引入了非线性因素，使得神经网络可以任意逼近任何非线性函数，这样神经网络就可以应用到众多的非线性模型中。

二、举例说明

        为了很好的解释为什么需要使用激活函数，我接下来以一个带有一个隐含层的感知机来进行说明，希望通过这种方式可以让大家通俗的理解。

         给定一个小批量样本，其批量大小为你，输入个数为d。假设多层感知机只有一个隐含层，其中隐藏单元个数为h。记隐藏层的输出（也称为隐藏层变量或隐藏变量）为H，有。因为隐藏层和输出层均为全连接层，可以设隐藏层的权重和偏差为Wh 和 ，输出层的权重和偏差参数分别为 和 。

        先来看下一种含单隐含层的多层感知机的设计。其输出 的计算为 ， 。也就是将隐含层的输出直接作为输出层的输入，如果将以上两个公式l联立起来，则可以得到 。

        由上面的例子可以得出，如果不使用激活函数的话，虽然我们使用了隐藏层，但是实际还是一个单元神经，所以我们需要使用激活函数。

三、各种常见的激活函数

        我们常见的激活函数有sigmoid激活函数、tanh激活函数和ReLu激活函数。对于这三种激活函数的介绍及区别在我之前的博客有进行介绍，可以进去学习。博客：https://blog.csdn.net/Fhujinwu/article/details/107771639