1.什么是饱和（非饱和）激活函数

若h(x)满足：，则h(x)称为饱和激活函数，例如sigmoid和tanh，否则为非饱和激活函数，例如Relu及其变体。

2.非饱和激活函数的优势有两点

• 能解决所谓的“梯度消失”问题
• 加快模型收敛速度

3.ReLU(Rectified Linear Units)

• 由于其线性、非饱和的形式，能够加速收敛
• 比起sigmoid和tanh中的指数运算，relu计算简单
• x>0是，梯度始终为1，有效缓解了梯度弥散、梯度爆炸
• 提供了神经网络的稀疏表达能力（relu会使部分神经元的输出为0，减轻可神经元之间的过度依赖问题，缓解了过拟合问题的发生
  缺点：
• Dead ReLU Problem:随着训练的进行，神经出现“死亡”，流经神经元的梯度从这一点开始将永远为0，导致权重无法继续更新