无意中发现了一个巨牛的人工智能教程，忍不住分享一下给大家。教程不仅是零基础，通俗易懂，而且非常风趣幽默，像看小说一样！觉得太牛了，所以分享给大家。点这里可以跳转到教程。人工智能教程

1、总体效果比较

 ELU > leaky ReLU（及其变体）> ReLU > tanh > sigmoid。

如果你关心运行时性能，那么你可能喜欢 leaky ReLU超过ELU。 如果你不想调整另一个超参数，你可以使用前面提到的默认的 α 值（leaky ReLU 为 0.01，ELU 为 1）。 如果你有充足的时间和计算能力，你可以使用交叉验证来评估其他激活函数，特别是如果你的神经网络过拟合，则为RReLU; 如果您拥有庞大的训练数据集，则为 PReLU。

2、详细介绍

2.1 sigmod 激活函数

激活函数sigmod 曲线，可以看到当输入变大（负或正）时，函数饱和在 0或 1，导数非常接近 0。因此，当反向传播开始时， 它几乎没有梯度通过网络传播回来，而且由于反向传播通过顶层向下传递，所以存在的小梯度不断地被稀释，因此较低层确实没有任何东西可用。

import tensorflow as tf
hidden1 = tf.layers.dense(X, n_hidden1, activation=tf.nn.sigmoid, name="hidden1")

2.2 tanh 激活函数

import tensorflow as tf
hidden1 = tf.layers.dense(X, n_hidden1, activation=tf.nn.tanh, name="hidden1")

2.3 relu 激活函数

ReLU激活功能并不完美。 它有一个被称为 “ReLU 死区” 的问题：在训练过程中，一些神经元有效地死亡，意味着它们停止输出 0 以外的任何东西。在某些情况下，你可能会发现你网络的一半神经元已经死亡，特别是如果你使用大学习率。 在训练期间，如果神经元的权重得到更新，使得神经元输入的加权和为负，则它将开始输出 0 。当这种情况发生时，由于当输入为负时，ReLU函数的梯度为0，神经元不可能恢复生机。

import tensorflow as tf
hidden1 = tf.layers.dense(X, n_hidden1, activation=tf.nn.relu, name="hidden1")

2.4 leakyrelu 激活函数

为了解决这个问题，你可能需要使用 ReLU 函数的一个变体，比如 leaky ReLU。这个函数定义为 LeakyReLUα(z)= max(αz，z)
TensorFlow 没有针对 leaky ReLU 的预定义函数，但是很容易定义：

import tensorflow as tf
def leaky_relu(z, name=None):return tf.maximum(0.01 * z, z, name=name)hidden1 = tf.layers.dense(X, n_hidden1, activation=leaky_relu, name="hidden1")

2.5 ELU 激活函数

2015 年的一篇论文中提出了一种称为指数线性单元（exponential linear unit，ELU）的新的激活函数，在他们的实验中表现优于所有的 ReLU 变体：训练时间减少，神经网络在测试集上表现的更好。
ELU 激活函数的主要缺点是计算速度慢于 ReLU 及其变体（由于使用指数函数），但是在训练过程中，这是通过更快的收敛速度来补偿的。 然而，在测试时间，ELU 网络将比 ReLU 网络慢。

TensorFlow 提供了一个可以用来建立神经网络的 elu() 函数。

import tensorflow as tf
hidden1 = tf.layers.dense(X, n_hidden1, activation=tf.nn.elu, name="hidden1")