ReLU（Rectified Linear Unit）和Sigmoid都是神经网络中常用的激活函数。

特点：

ReLU是一种简单而有效的激活函数。它对于正数部分直接返回输入，对于负数部分返回零。这种非线性转换有助于网络学习更复杂的表示。ReLU在许多深度学习模型中被广泛使用，因为它在梯度下降中的计算上相对简单，且有效防止了梯度消失问题。

Sigmoid函数将输入映射到（0，1）之间的范围，常用于二分类问题。它的输出可以解释为概率值，因此在输出层用于模型对样本属于某个类别的置信度。然而，Sigmoid函数在输入远离零时梯度接近零，可能导致梯度消失问题，尤其在深度网络中。

ReLU激活函数图：

• ReLU函数的图形是一条直线，在输入大于零时输出与输入相等，而在输入小于等于零时输出为零。

Sigmoid激活函数图：

• Sigmoid函数的图形是一条S形曲线，将输入映射到（0，1）范围内。

在实际使用中，ReLU常用于隐藏层，而Sigmoid常用于输出层（用于二分类任务）。随着研究的进展，有一些变体，如Leaky ReLU、Parametric ReLU、ELU等，旨在改进激活函数的性能。选择激活函数通常取决于具体的任务和网络结构。