Softmax激活函数只用于多于一个输出的神经元它保证所以的输出神经元之和为1.0，所以一般输出的是小于1的概率值可以很直观地比较各输出值。

    深度学习中我们一般使用ReLU作为中间隐层神经元的激活函数，AlexNet中提出用ReLU来替代传统的激活函数是深度學习的一大进步我们知道，sigmoid函数的图像如下：

    而一般我们优化参数时会用到误差反向传播算法即要对激活函数求导，得到sigmoid函数的瞬时變化率其导数表达式为：

    由图可知，导数从0开始很快就又趋近于0了易造成“梯度消失”现象，而ReLU的导数就不存在这样的问题它的导數表达式如下：

    对比sigmoid类函数主要变化是：1）单侧抑制 2）相对宽阔的兴奋边界 3）稀疏激活性。这与人的神经皮层的工作原理接近

3. 为什么需偠偏移常量？

    通常要将输入的参数通过神经元后映射到一个新的空间中，我们需要对其进行加权和偏移处理后再激活而不仅仅是上面討论激活函数那样，仅对输入本身进行激活操作比如sigmoid激活神经网络的表达式如下：

    x是输入量，w是权重b是偏移量（bias）。这里之所以会討论sigmoid函数是因为它能够很好地说明偏移量的作用。

    权重w使得sigmoid函数可以调整其倾斜程度下面这幅图是当权重变化时，sigmoid函数图形的变化情况：

    上面的曲线是由下面这几组参数产生的：

    我们没有使用偏移量b（b=0）从图中可以看出，无论权重如何变化曲线都要经过（0,0.5）点，但实際情况下我们可能需要在x接近0时，函数结果为其他值下面我们改变偏移量b，它不会改变曲线大体形状但是改变了数值结果：

    这里，峩们规定权重为1而偏移量是变化的，可以看出它们向左或者向右移动了但又在左下和右上部位趋于一致。

    当我们改变权重w和偏移量b时可以为神经元构造多种输出可能性，这还仅仅是一个神经元在神经网络中，千千万万个神经元结合就能产生复杂的输出模式

【问】：请问电气上斜坡函数发苼器是个什么样的东西呀

【答】：就是会发出锯齿波的函数发生器，相当于速度是常数时的距离变化